Teacher-Aware Evolution of Heuristic Programs from Learned Optimization Policies
本文提出了一种教师感知的进化框架，该框架利用独立训练的学习优化策略作为行为教师，引导自动发现用于组合优化的静态、可执行启发式方法，在无需部署阶段进行神经推理的情况下，实现了优于纯性能驱动的大语言模型基线的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在教一个机器人如何解决复杂的谜题，比如编排工厂生产计划或规划最高效的配送路线。你希望机器人学会一套简单、可书写的规则（即“启发式规则”），使其能够快速执行，而无需依赖超级计算机。
旧方法的弊端
此前，研究人员利用大语言模型（LLMs）采用“试错法”。他们会生成一条规则，进行测试，如果最终结果不佳，就告诉大语言模型：“再试一次。”这就像一名学生参加期末考试，得了不及格，然后被告知“你不及格了，去学习得更努力些”，却从未被告知具体哪道题做错了，也从未明白错在何处。这种反馈既滞后又模糊。
新构想：“教师型”教练
本文提出了一种利用“教师感知”系统来训练这些规则的新方法。
不妨将其想象为一位体育教练正在训练一名新秀球员：
- 新秀（候选程序）：这是计算机试图发明的一套新规则。它负责“玩游戏”（即解决谜题）。
- 教练（学习到的策略）：这是一位训练有素的 AI，它已经非常擅长“玩游戏”。然而，我们并非要求教练替我们玩游戏，也不是试图直接复制教练的大脑。
- 互动过程：当新秀进行游戏时，教练会实时观察新秀的每一个动作。
- 如果新秀做出了教练认为好的动作，教练会点头。
- 如果新秀做出了教练认为不好的动作，教练会摇头并说：“我在此处会选择另一条路径。”
系统运作方式
该系统不再等到游戏结束才判断新秀是赢是输，而是利用教练的即时反应作为“局部反馈”。
- “反思”步骤：一个 AI“分析器”会审视教练的反应。它会总结新秀的错误：“嘿，每次你面对繁忙的机器时，都选错了。教练总是选择等待时间最短的那台。”
- “修订”步骤：系统根据教练的反馈，向新秀提供三种具体的改进方案：
- 结构重写：“你的整体策略有误；让我们修改主规则。”
- 参数校准：“你的策略不错，但过于激进。让我们微调数值。”
- 机制融合：“你有一条很棒的速度规则，但缺少了教练那种智能选择规则。让我们将它们结合起来。”
成果
该系统经过数代演化，最终产出一套静态、简单的指令集（如同食谱），运行速度快，且易于人类理解。
为何重要
- 性能更优：论文在四个高难度谜题（作业调度、旅行商问题、配送路线和图切割）上测试了该方法。与仅关注最终分数的旧方法相比，新方法始终能发现更优的规则。
- 泛化能力：在小规模谜题上学到的规则，在更大规模、未见过的谜题上表现令人惊讶地出色。
- 无需末端重负荷：一旦规则被习得，就不再需要“教练”（即复杂的 AI）。你只需运行简单、快速的规则。这对于速度至关重要且成本敏感的实际应用场景尤为关键。
总结
本文通过让计算机与一位“智能教练”进行练习，使其能够发明出自身简单、快速的规则。这位教练会对每一步动作提供即时、具体的反馈，而非仅在游戏结束时进行评分。最终结果是，获得了一套更智能、更快速、更可靠的指令集，用于解决复杂问题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。