摘要
大型语言模型（LLMs）通过推理与代码合成推动了自动启发式设计（AHD）的发展。现有的基于LLM的AHD架构主要遵循两种范式：自然进化和元认知进化。
自然进化使用交叉和变异探索启发式程序，但会丢弃推理痕迹，削弱知识继承与利用；而元认知进化通过反思来精炼推理，但缺乏群体级的重组，限制了探索，增加了过早收敛的风险。这些限制降低了在复杂问题上的搜索效率、稳定性和解决方案质量。
为了解决这一问题，我们提出了MeEvo，一个双层AHD框架，循环耦合自然进化与元认知进化。自然进化探索启发式代码，同时将推理痕迹、适应值和错误记录到共享历史中；随后，元认知进化反思这一历史，生成改进的启发式算法，重新进入父代池进行下一轮循环。这一设计使得基于群体的探索与基于反思的精炼相互强化。
在五个优化问题上进行的实验表明，MeEvo的表现比现有的基于LLM的AHD架构更强、更稳定，尤其是在复杂的约束任务中。
博主点评： MeEvo通过结合自然进化与元认知进化，显著提升了自动启发式设计的效率与稳定性，展示了LLM在复杂问题求解中的潜力。这一创新框架为未来的启发式算法设计提供了新的思路，值得关注与深入研究。