arXiv cs.AI· Zipei Yu, Yue-Jiao Gong, Zeyuan Ma, Yuncheng Jiang, Zhiguang Cao·· 6 天前AI 评分22
Hyper Algorithm Design Agent：从零演化可学习优化器
Hyper Algorithm Design Agent: Evolving Learnable Optimizer from Zero
AI 导读
研究者提出双智能体框架 Hyper Algorithm Design Agent，将 MetaBBO 的设计循环视为编码任务，由 task agent 通过代码演化持续改进目标 MetaBBO 代码库，hyper agent 则逐步修改 task agent 及自身以实现开放式设计。
正文 · AI 翻译
摘要：元黑盒优化（Meta-Black-Box Optimization，MetaBBO）是近期 AI for Optimization 趋势中的亮点之一。该范式的双层工作流程利用元层面的可学习算法设计策略，以确保在低层优化任务上的性能和泛化能力提升。虽然 MetaBBO 有助于提升所得优化系统的性能下界，但目前它仍是针对不同优化问题逐一手工定制和调整的，这不可避免地引入了固有的主观性，从而限制了性能上界和实际可用性。在本文中，我们通过将 MetaBBO 的设计循环视为编码任务来解决这一问题，从而可以借助先进编码智能体的递归自我改进能力，将开放性引入 MetaBBO。具体而言，我们提出了一个双智能体框架：i）任务智能体通过代码演化持续改进目标 MetaBBO 方法的代码库；ii）超智能体逐步修改任务智能体及其自身，以提供开放式的设计行为；iii）对演化后的 MetaBBO 代码库进行评估，并将所有执行中的信息反馈给智能体，以实现递归自指式改进。结果是，给定一个朴素的 MetaBBO 模板，我们的框架能够自动化设计演化，并找到优于当前最先进人工设计 MetaBBO 基线的新变体。令人惊讶的是，实验结果还表明，我们的框架支持跨不同优化领域的快速适应。扎实的解释性分析进一步揭示了在这一开放过程中涌现出的有趣设计原则。这项工作是对复杂学习辅助优化算法设计自动化的首次探索。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.35328 [cs.AI] |
| （或 arXiv:2609.35328v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.35328 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zeyuan Ma [查看邮箱]
[v1]
2026年9月28日星期一 14:53:06 UTC（614 KB）
[v2]
2026年10月9日星期五 11:32:57 UTC（615 KB）
来源：arXiv cs.AI · arxiv.org