EvoAlloc：用于高效程序演化的自演化资源分配代理

基于LLM的项目演变依赖于评估反馈来指导对高性能项目的迭代搜索。然而，评估的计算成本通常很高，因此必须将有限的资源分配给能够最有效地推进搜索的候选者。现有的基于LLM的方法通常在整个搜索过程中依赖固定的分配策略，可能会在低价值候选人上浪费资源，同时忽视有前途的候选人。我们提出了 EvoAlloc，一种自我进化的资源分配代理，它可以从搜索经验中学习，修改其在候选者之间分配计算资源的策略。 EvoAlloc 定期将先前的搜索和分配结果合并为可重用的经验，为后续的策略修订提供信息。它进一步使用反事实探索机制来偶尔评估分配器拒绝资源的候选者，揭示其结果，以丰富未来策略更新的经验。在编码和代理Harness优化基准测试中，EvoAlloc 所需的完整评估减少了 59-82% 达到基线水平性能所需的 LLM token总数减少 61-89%。此外，在相同的全面评估预算下，EvoAlloc 的最终性能提高了 8.7-12.0%。