算法模型化是一种新范式，将迭代算法视为可训练的模型。核心思想是把算法的执行轨迹看作计算经验，通过学习状态在迭代中的演化，模型能够内化已有算法的知识，复现其计算行为，并在训练后进一步超越。
我们首先将迭代优化建模为自回归过程，前代种群构成生成下一代的计算上下文。为捕获种群交互和迭代动力，设计了与维度无关的种群‑时间网络结构，并提出模仿‑超越学习框架：先从多样化教师算法中模仿获得搜索知识，再通过优化反馈直接提升优化器。
模型化的优化器不仅能够复现单一算法，还能整合异构搜索知识为统一模型，经过后续改进后表现更强，并能在未见问题和更高维度上迁移。更重要的是，算法模型化使算法能力可以通过学习累积，新算法和求解经验都可以作为训练资源，逐步提升模型。
我们的实验展示了从手工设计算法到可学习、可泛化、可进化的通用算法模型的可行路径。
点评