OR-Agent：连接进化搜索和结构化研究以实现自动算法发现

在复杂的、实验驱动的领域中实现科学发现的自动化需要的不仅仅是程序的迭代突变；它需要结构化的假设管理、环境交互和有原则的反思。我们提出了 OR-Agent，这是一个可配置的多代理研究框架，专为在丰富的实验环境中进行自动探索而设计。 OR-Agent 将研究组织为基于树的结构化工作流程，明确模拟分支假设生成和系统回溯，从而实现对研究轨迹的受控管理，超越简单的突变交叉循环。其核心是，我们引入了一种进化系统思想机制，该机制将研究起点的进化选择、综合研究计划的生成以及研究树内的协调探索统一起来。我们进一步提出了一种分层优化启发的反思系统：短期实验反思以言语梯度的形式运行，提供即时的纠正信号；长期反思积累跨实验见解作为口头动力；内存压缩作为一种类似于权重衰减的正则化机制，在减少漂移的同时保留基本信号。这些组件共同构成了一个管理研究动态的原则架构。我们对经典组合优化基准（包括旅行推销员、有能力的车辆路线、装箱、定向运动和多个背包问题）以及基于模拟的协作驾驶场景进行了广泛的实验。结果表明，OR-Agent 的性能优于强大的进化基线，同时为人工智能辅助的科学发现提供了通用的、可扩展的和可检查的框架。 OR-Agent 源代码和实验数据可在 https://github.com/qiliuchn/OR-Agent 上公开获取。