Cet article analyse le paysage de fitness de la recherche algorithmique (LAS) à l'aide d'une approche graphique utilisant des modèles de langage à grande échelle (LLM). À l'aide d'un graphe où les nœuds représentent les algorithmes et les arêtes les transitions entre les algorithmes, nous effectuons des évaluations approfondies de six tâches de conception d'algorithmes et de six LLM. Nos résultats révèlent que les paysages LAS présentent des optima multiples et une structure robuste, en particulier dans les tâches d'optimisation combinatoire, et que les changements structurels varient selon les tâches et les LLM. De plus, nous utilisons quatre mesures de similarité algorithmique pour étudier leurs corrélations avec les performances des algorithmes et le comportement des opérateurs. Ces informations approfondissent notre compréhension des paysages LAS et offrent des pistes pratiques pour concevoir des méthodes LAS plus efficaces.