💻 computer science

Automating Parent Selection Configuration in Genetic Programming with Agentic AI

Este artigo demonstra que um framework de IA agêntica, aproveitando modelos de linguagem de grande escala e geração aumentada por recuperação, pode automatizar efetivamente o design e a implementação de algoritmos de seleção de pais para programação genética, alcançando um desempenho competitivo em tarefas de regressão simbólica comparável a métodos estabelecidos como o $\epsilon$ -lexicase.

Autores originais: Jose Guadalupe Hernandez, Jui-Hsuan Chang, Anil Kumar Saini, Xi Li, Jason H. Moore

Publicado 2026-08-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jose Guadalupe Hernandez, Jui-Hsuan Chang, Anil Kumar Saini, Xi Li, Jason H. Moore

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Na vasta paisagem da inteligência artificial, um ramo específico conhecido como computação evolutiva imita a maneira como a natureza evolui a vida. Imagine um programa de computador que não segue um conjunto rígido de instruções escritas por um humano, mas que, em vez disso, cria uma população de candidatos digitais, testa o quão bem eles resolvem um problema e, em seguida, cruza os melhores para criar a próxima geração. Esse processo, chamado programação genética, é poderoso porque pode descobrir soluções complexas que os humanos talvez jamais concebessem. No entanto, para que essa evolução digital funcione, o computador precisa de uma maneira de decidir quais candidatos têm o direito de se reproduzir. Essa decisão é chamada de seleção de pais. Se o computador escolher os pais errados, toda a população pode estagnar ou falhar em melhorar. Tradicionalmente, os humanos tiveram que projetar manualmente essas regras de seleção, uma tarefa que exige profunda especialização e frequentemente envolve uma grande quantidade de tentativa e erro. A questão que os pesquisadores fazem agora é se um novo tipo de inteligência artificial, capaz de raciocinar e buscar informações como um especialista humano, pode automatizar esse difícil processo de design.

Uma equipe de pesquisadores partiu para testar essa ideia construindo um agente digital especializado, projetado para lidar com o trabalho de seleção de pais. Eles não pediram ao agente que inventasse uma nova maneira de selecionar pais do zero, mas sim que identificasse o melhor método existente e, então, escrevesse o código de computador para fazê-lo funcionar. Para fazer isso, deram ao agente acesso a uma biblioteca de artigos científicos sobre seleção de pais, permitindo que ele recuperasse conhecimento relevante tal como um pesquisador humano faria. O agente recebeu uma tarefa simples: olhar para o problema, decidir qual método de seleção funcionaria melhor e, então, gerar um programa Python funcional que pudesse ser conectado a um sistema de programação genética. Eles testaram essa configuração usando um tipo de problema chamado regressão simbólica, onde o computador deve encontrar uma fórmula matemática que se ajuste a um conjunto de pontos de dados. Este é um campo de teste comum para esses sistemas porque exige que o computador descubra relações entre números sem que lhe sejam ditas quais são essas relações.

Os pesquisadores realizaram uma série de experimentos para ver o quão bem diferentes versões de seu agente se saíram. Eles compararam um modelo de linguagem de grande escala padrão, que depende apenas do que aprendeu durante seu treinamento inicial, contra um agente que podia pensar através do problema passo a passo, e finalmente contra um agente que podia tanto pensar quanto buscar informações em sua biblioteca curada de artigos. Os resultados foram reveladores. Quando os modelos eram deixados para depender apenas de seu conhecimento interno, eles quase sempre escolhiam um método muito básico e comum chamado seleção de torneio, onde alguns candidatos são escolhidos aleatoriamente e o melhor vence. Esta era a escolha segura e familiar. No entanto, quando os agentes tinham permissão para buscar informações na biblioteca, seu comportamento mudava drasticamente. Os agentes começaram a identificar e implementar um método mais sofisticado conhecido como seleção epsilon-lexicase. Este método é mais matizado; em vez de apenas olhar para uma pontuação geral única, ele avalia os candidatos com base em quão bem eles desempenham em pontos de dados individuais específicos, permitindo uma evolução mais diversa e, frequentemente, mais eficaz.

O estudo descobriu que a capacidade de recuperar informações era crucial para guiar o agente em direção a esses melhores métodos, mas não garantia o sucesso por si só. O tipo específico de modelo de inteligência artificial utilizado importava tanto quanto as ferramentas que possuía. Um modelo em particular, quando combinado com a capacidade de buscar informações, gerou consistentemente os algoritmos de seleção sofisticados e corretos e teve um desempenho igual ou superior às versões fixas projetadas por humanos. Esta configuração específica conseguiu escrever o código que implementava o complexo método epsilon-lexicase com alta precisão, usando uma abordagem estatística para determinar o quão rigorosa a seleção deveria ser. Em testes diretos de confronto através de seis diferentes problemas de dados do mundo real, este agente automatizado produziu resultados estatisticamente indistinguíveis dos melhores métodos de seleção projetados por humanos e significativamente melhores do que a seleção básica por torneio.

No entanto, os pesquisadores também descobriram que essa automação ainda não é perfeita. Embora a melhor configuração tenha funcionado de forma confiável, outras combinações de modelos e ferramentas às vezes produziam códigos que pareciam corretos, mas falhavam ao executar, ou geravam algoritmos que desempenhavam mal porque erravam os detalhes da matemática. O estudo mostrou que simplesmente ter acesso a uma biblioteca de conhecimento não torna automaticamente uma inteligência artificial um especialista; o modelo subjacente deve ser capaz de interpretar corretamente essa informação e traduzi-la em código funcional. Os pesquisadores concluíram que, embora a inteligência artificial agêntica mostre grande promessa para automatizar o design desses sistemas evolutivos, ela é atualmente uma ferramenta que funciona melhor quando pareada com o modelo certo e supervisão cuidadosa. O trabalho demonstra um passo significativo à frente, provando que as máquinas podem começar a traduzir o complexo conhecimento de domínio em componentes executáveis, potencialmente reduzindo o pesado fardo do design manual que há muito tempo retarda a adoção dessas poderosas ferramentas computacionais.

Resumo Técnico: Automatizando a Configuração de Seleção de Pais em Programação Genética com IA Agêntica

Definição do Problema
A Programação Genética (PG) oferece uma flexibilidade significativa para a regressão simbólica (RS) ao permitir a personalização de representações, mecanismos de seleção e operadores de variação. No entanto, essa flexibilidade cria um vasto espaço de design de escolhas algorítmicas e de parâmetros interdependentes, exigindo perícia substancial para configurá-los de forma eficaz. Essa barreira impede a adoção mais ampla da PG. Embora a Inteligência Artificial (IA) Agêntica tenha sido proposta como um mecanismo para automatizar tarefas de design complexas, estendendo os Grandes Modelos de Linguagem (LLMs) com capacidades de raciocínio e uso de ferramentas, sua viabilidade em identificar e implementar componentes específicos e eficazes de PG permanece amplamente inexplorada. Este estudo investiga se um framework de IA agêntica pode identificar e implementar autonomamente algoritmos de seleção de pais para sistemas de PG sem a necessidade de intervenção manual.

Metodologia
Os autores propõem um framework agêntico que combina um LLM com Geração Aumentada por Recuperação (RAG) para automatizar a seleção e implementação de algoritmos de seleção de pais. O framework utiliza um corpus curado de literatura sobre seleção de pais para fundamentar o raciocínio do agente.

Arquitetura do Framework: O sistema emprega um agente especializado que recebe um prompt definindo seu papel como especialista em PG. O agente realiza duas tarefas: (1) identificar um algoritmo de seleção de pais apropriado e (2) implementá-lo como uma função Python com uma assinatura específica (selection(fitnesses)). O agente opera em um loop de raciocínio iterativo, decidindo autonomamente se deve confiar no conhecimento interno ou invocar uma ferramenta RAG para recuperar literatura relevante de um banco de dados vetorial.
Configuração Experimental: O estudo utiliza seis problemas de regressão simbólica do mundo real do repositório UCI Machine Learning Repository. Um sistema de PG padrão (implementado em DEAP) é utilizado, onde apenas o procedimento de seleção de pais varia.
Estudo de Ablação (Experimento 1): Os autores avaliaram quatro tipos de LLM (gpt-4o, gpt-4.1 mini, gpt-5 mini e gpt-oss 20b) através de três configurações:
1. LLM: Modelo independente com prompting zero-shot.
2. ANR (Agente Sem Recuperação): Fluxo de trabalho agêntico sem a ferramenta RAG.
3. AR (Agente com Recuperação): Framework agêntico completo com RAG.
  As métricas incluíram sucesso de execução, sucesso de classificação (concordância entre o algoritmo relatado e o verificado manualmente), similaridade de código e desempenho downstream (Erro Quadrático Médio do conjunto de teste).
Avaliação de Benchmark (Experimento 2): A configuração com melhor desempenho do Experimento 1 foi testada contra implementações fixas e manuais de Seleção de Torneio (tamanho 3) e Seleção $\epsilon$ -lexicase semi-dinâmica (usando Desvio Absoluto da Mediana para $\epsilon$ ).

Principais Resultados

Impacto de RAG e Raciocínio: A inclusão do módulo RAG e do raciocínio agêntico influenciou substancialmente os tipos de algoritmos gerados. Para modelos como gpt-4o e gpt-4.1 mini, as configurações de LLM standalone e ANR geraram exclusivamente Seleção de Torneio. Em contraste, a configuração AR deslocou a saída para $\epsilon$ -lexicase. No entanto, esse deslocamento não melhorou uniformemente o desempenho downstream; para alguns modelos (ex: gpt-4o), a configuração AR resultou em desempenho significativamente pior devido à parametrização inadequada (ex: uso de valores de $\epsilon$ fixos em vez de limiares baseados em MAD).
Dependência do Modelo: A eficácia do framework foi altamente dependente do LLM subjacente. O modelo gpt-5 mini exibiu uma capacidade única: ele frequentemente gerou algoritmos $\epsilon$ -lexicase mesmo sem recuperação, respondendo por 85,7% dos algoritmos gerados na configuração LLM. Quando equipado com RAG (5 mini–AR), ele gerou consistentemente implementações estabelecidas de $\epsilon$ -lexicase, predominantemente utilizando limiares de $\epsilon$ baseados em MAD e variantes dinâmicas ou semi-dinâmicas.
Desempenho: A configuração 5 mini–AR alcançou desempenho downstream comparável à implementação fixa de $\epsilon$ -lexicase semi-dinâmica baseada em MAD em todos os seis problemas de RS. Ela geralmente superou a Seleção de Torneio. Notavelmente, embora o 5 mini–AR tenha gerado implementações independentes para cada réplica, seu desempenho permaneceu competitivo com a referência fixa, embora tenha exibido maior variância em casos específicos (ex: conjuntos de dados Housing e Yacht).
Validade e Similaridade: O sucesso de execução foi alto em quase todas as configurações. No entanto, o sucesso de classificação (identificação correta da variante específica, como $\epsilon$ -lexicase estática vs. dinâmica) variou. A configuração AR às vezes reduziu o sucesso de classificação para modelos que optavam por Seleção de Torneio, pois a informação recuperada levou a implementações mais complexas e ocasionalmente classificadas incorretamente.

Significância e Alegações
O artigo afirma que a IA agêntica demonstra o potencial de traduzir conhecimento de domínio na geração de componentes executáveis para sistemas evolutivos. Especificamente, o estudo fornece evidências de que:

Frameworks agênticos podem automatizar com sucesso a configuração de seleção de pais, indo além da simples assistência para a geração autônoma de componentes algorítmicos.
A integração de RAG é crítica para guiar os LLMs em direção a famílias de algoritmos estabelecidas e eficazes (como $\epsilon$ -lexicase) que eles poderiam não priorizar em um cenário zero-shot, embora a qualidade da implementação resultante dependa fortemente do conhecimento interno do LLM e de sua capacidade de interpretar o contexto recuperado.
A configuração 5 mini–AR serve como uma prova de conceito de que um sistema agêntico pode gerar algoritmos de seleção de pais que são competitivos com implementações fixas definidas por especialistas.

Os autores mantêm uma postura modesta, observando que, embora o framework seja um passo em direção ao design automatizado de PG, ele atualmente isola a seleção de pais e ainda não valida ou revisa os algoritmos gerados com base em seu desempenho downstream em um loop fechado. Eles enfatizam que o trabalho futuro deve abordar a confiabilidade das implementações geradas e estender o framework para outros componentes de PG.

Mais como este