论文
SimpleEvol：用于大语言模型驱动的自动化启发式设计的Agent循环框架，具有最少的人类先验
SimpleEvol: An Agent-Loop Framework for LLM-Driven Automated Heuristic Design with Minimal Human Priors
摘要
大语言模型 (LLM) 已成为自动启发式设计 (AHD) 的强大工具，可实现启发式的迭代生成和细化。然而，主流范式将大语言模型作为狭窄的、固定的组成部分（例如交叉或突变）嵌入到手工设计的进化框架中。我们认为这误解了大语言模型。它将它们视为专门的工具而不是一般的推理器，将它们限制为低级操作，并没有充分利用它们的自主权。此外，这些框架中广泛的人类先验违反了惨痛的教训原则，即通过计算扩展的通用方法超越了手工制作的解决方案。这就提出了一个关键问题：哪种 AHD 框架设计能够最好地将更强的 LLM 功能转化为更好的启发式方法？为了解决这个问题，我们提出了 LLM 驱动的 AHD 框架手工性 (AHI) 和智能转换效率 (ICE) 的指标。通过评估三个具有挑战性的组合优化问题的十个大语言模型，我们得到了一个显着的发现，即具有较少人类先验的框架始终会产生更高的 ICE。基于这一发现，我们提出了 SimpleEvol，一种 AHD 的Agent循环框架，它消除了几乎所有的人类先验，并允许大语言模型自主运行。 SimpleEvol 始终保持最高的 ICE，而且通常遥遥领先。我们的结果挑战了复杂 AHD 管道的趋势，并指出了一种更轻、更以模型为中心的替代方案，这表明减少人类先验是扩展模型智能的更有效策略。源代码可在 https://github.com/HenryZhu1029/SimpleEvol-Master. 获取