摘要
近期，智能体AI的进展越来越多地转向基于图的方法，这一趋势源于对可解释性、人本中心和非线性推理工作流程的需求。一个显著的例子是遗传网络编程（GNP），这是一种自我进化的算法，利用有向图来发展智能体的可解释决策结构。在大多数进化算法中，有效平衡探索与利用是GNP的关键方面。然而，这一权衡在GNP文献中受到的关注有限。
为了解决这一问题，我们从人类发展模式中获得灵感，儿童在早期阶段更倾向于广泛实验与行动，而随着年龄增长，这种倾向会发生逆转。通过将GNP的判断节点与深思节点的转变映射到行动节点，我们提出了一种人类启发的GNP（HGNP），这是一种新颖的自适应框架，能够在进化过程中动态调节探索与利用的平衡。
该方法包括新颖的自适应交叉和变异算子，以及一个周期消除机制。HGNP不仅改善了进化过程，还提供了一种根据目标环境及其搜索空间特征调整探索-利用平衡的框架。这种方法比通过标准GNP中的交叉和变异概率进行调优更为有效。这些修改是通用的，可以应用于几乎所有GNP变体。
当HGNP与标准GNP及两种新近引入的GNP变体结合，并在Tileworld基准上进行评估时，HGNP在智能体策略上表现出显著的性能提升。HGNP与基于情境的GNP（HGNP-SBGNP）的结合达到了最佳的整体结果。
博主点评： HGNP的提出为遗传网络编程提供了新的视角，通过借鉴人类发展中的探索与利用模式，显著提升了智能体的适应性与性能。这一方法的通用性与创新性为未来的研究奠定了基础，值得关注。