[Paper] OR-Agent：桥接进化搜索与结构化研究以实现自动化算法发现

看起来您只提供了来源链接，而没有附上需要翻译的正文内容。请您把要翻译的文本（例如摘要、引言或其他段落）贴在这里，我会按照要求保留链接并将正文翻译成简体中文。谢谢！

概述

本文介绍了 OR‑Agent，这是一种模块化的多代理框架，将进化搜索与结构化的树形研究工作流相结合。通过将假设生成、实验执行和反思学习视为协同的“代理”，系统能够自动发现用于硬组合问题和基于仿真的任务的高性能算法——在超越传统进化基线的同时保持透明且可扩展。

关键贡献

• 混合创意引擎 – 将对有前景起点的进化选择与系统化生成完整研究计划相结合，实现探索与利用的双重优势。
• 基于树的研究工作流 – 将假设的分支与回溯表示为结构化树，提供比单纯的变异‑交叉循环更细粒度的研究轨迹控制。
• 层次化反思机制
  • 短期反思：来自即时实验反馈的“语言梯度”信号。
  • 长期反思：将跨实验洞见汇聚为“语言动量”，用于指导未来搜索。
  • 记忆压缩：对知识库进行正则化（类似权重衰减），在保留关键信息的同时防止漂移。
• 开源、可扩展平台 – 完整代码和基准数据已公开，鼓励社区复用并适配新领域。
• 实证验证 – 在一系列经典组合优化问题（TSP、CVRP、装箱问题、定向旅行、多个背包）以及协同驾驶仿真中展示出卓越性能。

方法论

1. Agent Architecture – OR‑Agent 由多个协同工作的代理组成：

   • Evolutionary Agent（进化代理）：对初始算法“基因”（例如启发式组件）进行抽样并排序。
   • Systematic Ideation Agent（系统化构思代理）：将每个基因展开为完整的研究计划，构建假设树，其中每个节点都是具体的算法变体。
   • Execution Agent（执行代理）：在目标环境中运行算法，收集性能指标。
   • Reflection Agent（反思代理）：在两个时间尺度上处理结果：即时梯度（短期）和累计趋势（长期），并据此更新搜索分布。

2. Research Tree Construction – 从选定的根假设出发，系统通过应用预定义的变换操作符（例如添加局部搜索、交换选择准则）进行分支。回溯是显式的：如果某个分支表现不佳，树会剪除该分支并重新访问其他分支，保留清晰的审计轨迹。

3. Hierarchical Optimization‑Inspired Updates –

   • Verbal Gradient（语言梯度）：一种轻量、可微的代理，源自实验结果，用于微调搜索方向。
   • Verbal Momentum（语言动量）：在大量实验中对梯度进行移动平均，平滑噪声信号。
   • Memory Compression（记忆压缩）：定期对知识库进行摘要（例如通过聚类或低秩近似），以保持搜索空间的可处理性。

4. Evaluation Loop – 框架在代际之间循环迭代，每一代包括假设扩展、执行和反思，直至满足停止准则（预算、收敛或性能阈值）。

结果与发现

• 在所有问题族中均表现出一致的优势，尤其在搜索空间急剧扩大的大规模实例上。
• 可解释性：基于树的工作流让研究人员能够检查哪些假设分支对最终性能贡献最大，这是黑箱 EA 运行所缺乏的特性。
• 可扩展性：内存压缩将知识库规模控制在可接受范围，使得在不导致内存爆炸的情况下能够进行 >10⁶ 条生成假设的实验。

实际意义

• 自动化启发式设计 – 开发者可以插入领域特定的算子（例如用于车辆路径的新的局部搜索移动），让 OR‑Agent 在无需人工调参的情况下发现有效的混合启发式。
• 仿真环境的快速原型开发 – 在自动驾驶或机器人仿真器中，OR‑Agent 能自动演化协同策略，缩短从概念到可部署策略的时间。
• 可解释的优化人工智能 – 明确的假设树提供了自然的审计轨迹，有助于合规、调试或在工程团队内部进行知识转移。
• 可扩展的研究平台 – 由于框架是开源且模块化的，组织可以集成自己的评估指标、约束或领域特定知识库，使 OR‑Agent 成为任何实验驱动问题的“研究助理”。

限制与未来工作

• 运算符的领域依赖性 – 生成算法的质量取决于用户提供的变换运算符集合；运算符选择不当会限制探索。
• 计算开销 – 维护并对大型假设树进行反射会比精简的纯 EA 循环增加运行时间，这在超大规模问题上可能成为瓶颈。
• 超出基准的泛化能力 – 虽然论文在经典组合任务和驾驶模拟器上展示了强劲结果，但将 OR‑Agent 应用于高度随机或非确定性领域（例如稀疏奖励的强化学习）仍是一个未解决的挑战。
• 作者提出的未来方向 包括：通过元学习自动发现变换运算符、与可微分模拟器更紧密的集成以获取更丰富的梯度信号，以及使用分布式内存压缩技术来扩展反射系统。

作者

• Qi Liu
• Wanjing Ma

论文信息

• arXiv ID: 2602.13769v1
• 分类: cs.AI, cs.CE, cs.NE
• 出版日期: 2026年2月14日
• PDF: Download PDF