arXiv cs.AI· Jian Yao, Zhiyao Zhang, Yichen Li, Xingyu Wu, Kay Chen Tan·· 11 小时前AI 评分34
算法模型化：将优化算法转化为可进化的智能模型
Algorithm Modelization: Transforming Optimization Algorithms into Evolvable Intelligence
AI 导读
研究者提出“算法模型化”新范式，将迭代算法转化为可训练模型，并把算法执行轨迹视为计算经验来学习状态演化。首个实现将迭代优化建模为自回归过程，配合维度无关的种群-时序架构与“模仿到超越”学习框架，先从异构教师算法获取知识，再通过优化反馈直接改进。所得优化器能整合异构搜索知识、跨问题泛化，并扩展到显著更大的未见维度。
正文 · AI 翻译
摘要：算法能否像模型一样被学习和演化，而不是作为程序被反复重新设计？我们通过引入算法模型化（Algorithm Modelization）来探索这一问题，这是一种将迭代算法转化为可训练模型的新范式。其核心思想是将算法执行轨迹视为计算经验：通过学习算法状态如何在迭代中演化，模型可以内化现有算法所蕴含的知识，复现其计算行为，并通过训练进一步演化超越它们。作为该范式的首次实现，我们将迭代优化建模为自回归过程，其中前代种群构成生成下一代种群的计算上下文。我们开发了一种与维度无关的种群-时间架构，以捕捉种群交互和迭代动态，并配合一个从模仿到超越的学习框架，该框架首先从异构教师处获取算法知识，然后通过优化反馈直接改进所得优化器。模型化的优化器因此超越了复现单个算法：它将异构搜索知识整合为单一可训练模型，通过后续改进获得更强的优化能力，并将其获得的知识泛化到不同问题以及显著更大的未见维度上。更根本地，算法模型化使算法能力能够通过学习不断积累，新的算法和问题求解经验可以成为逐步改进模型的训练资源。我们的结果建立了一条从人工设计算法通向通用算法模型的有前景路径，这些模型能够从计算经验中学习、泛化和演化。
| 学科： | 人工智能（cs.AI）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2610.23161 [cs.AI] |
| （或 arXiv:2610.23161v1 [cs.AI] 为本版本） | |
| https://doi.org/10.48550/arXiv.2610.23161 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jian Yao [查看邮箱]
[v1]
2026年10月16日星期五 08:59:42 UTC（725 KB）
来源：arXiv cs.AI · arxiv.org