論文の概要: CodeEvolve: An open source evolutionary coding agent for algorithm discovery and optimization

• arxiv url: http://arxiv.org/abs/2510.14150v1
• Date: Wed, 15 Oct 2025 22:58:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.646255
• Title: CodeEvolve: An open source evolutionary coding agent for algorithm discovery and optimization
• Title（参考訳）: CodeEvolve: アルゴリズムの発見と最適化のためのオープンソースの進化的コーディングエージェント
• Authors: Henrique Assumpção, Diego Ferreira, Leandro Campos, Fabricio Murai,
• Abstract要約: 我々は,大規模言語モデルと遺伝的アルゴリズムを結合して複雑な計算問題を解く,オープンソースの進化的符号化エージェントであるCodeEvolveを紹介する。 我々のフレームワークは、一般化された科学的発見のための最近の手法に基づいて、強力な進化的概念を大規模言語モデルドメインに適用する。 我々は、Google DeepMindのクローズドソースAlphaEvolveを評価するために使用される数学ベンチマークのサブセット上で、CodeEvolveの厳密な評価を行う。
• 参考スコア（独自算出の注目度）: 0.6198237241838559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we introduce CodeEvolve, an open-source evolutionary coding agent that unites Large Language Models (LLMs) with genetic algorithms to solve complex computational problems. Our framework adapts powerful evolutionary concepts to the LLM domain, building upon recent methods for generalized scientific discovery. CodeEvolve employs an island-based genetic algorithm to maintain population diversity and increase throughput, introduces a novel inspiration-based crossover mechanism that leverages the LLMs context window to combine features from successful solutions, and implements meta-prompting strategies for dynamic exploration of the solution space. We conduct a rigorous evaluation of CodeEvolve on a subset of the mathematical benchmarks used to evaluate Google DeepMind's closed-source AlphaEvolve. Our findings show that our method surpasses AlphaEvolve's performance on several challenging problems. To foster collaboration and accelerate progress, we release our complete framework as an open-source repository.
• Abstract（参考訳）: 本研究では,Large Language Models (LLM) と遺伝的アルゴリズムを結合して複雑な計算問題を解く,オープンソースの進化的符号化エージェントであるCodeEvolveを紹介する。 我々のフレームワークは、LLMドメインに強力な進化的概念を適応させ、最近の一般化された科学的発見法に基づいて構築する。 CodeEvolveは、人口多様性の維持とスループットの向上のために、島ベースの遺伝的アルゴリズムを採用し、LLMのコンテキストウィンドウを活用して、成功したソリューションの特徴を組み合わせた、新しいインスピレーションベースのクロスオーバーメカニズムを導入し、ソリューション空間を動的に探索するためのメタプロンプト戦略を実装している。 我々は、Google DeepMindのクローズドソースAlphaEvolveを評価するために使用される数学ベンチマークのサブセット上で、CodeEvolveの厳密な評価を行う。 以上の結果から,AlphaEvolve の課題に対して,本手法がAlphaEvolve の性能を上回っていることが示唆された。 コラボレーションを奨励し、進歩を加速するために、私たちは、オープンソースリポジトリとして、完全なフレームワークをリリースします。

関連論文リスト

• Scientific Algorithm Discovery by Augmenting AlphaEvolve with Deep Research [23.532524147608253]
  本稿では、ディープリサーチとアルゴリズムの進化を統合するエージェントであるDeepEvolveを紹介する。 それぞれが新しい仮説を提案するだけでなく、改良、実装、テストも提案し、浅い改善と非生産的な過剰精製の両方を避けている。 化学、数学、生物学、材料、特許の9つのベンチマークで、DeepEvolveは初期アルゴリズムを一貫して改善している。
  論文  参考訳（メタデータ） (2025-10-07T15:49:51Z)
• Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
  組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。 最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。 本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
  論文  参考訳（メタデータ） (2025-09-29T09:24:09Z)
• GeoEvolve: Automating Geospatial Model Discovery via Multi-Agent Large Language Models [49.257706111340134]
  進化的探索と地理空間的ドメイン知識を結合した多エージェントLLMフレームワークであるGeoEvolveを紹介する。 本研究では,空間的不確実性と空間的不確実性という2つの基本的・古典的課題について評価する。 空間誤差(RMSE)を13-21%削減し、不確実性推定性能を17%向上させる。
  論文  参考訳（メタデータ） (2025-09-25T21:03:57Z)
• AlphaEvolve: A coding agent for scientific and algorithmic discovery [63.13852052551106]
  我々は,最先端LLMの能力を大幅に向上させる進化的符号化エージェントAlphaEvolveを提案する。 AlphaEvolveはLLMの自律パイプラインを編成し、そのタスクはコードを直接変更することでアルゴリズムを改善することである。 本稿では,多くの重要な計算問題に適用することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2025-06-16T06:37:18Z)
• Algorithm Discovery With LLMs: Evolutionary Search Meets Reinforcement Learning [12.037588566211348]
  本稿では、強化学習(RL)ファインチューニングにより、探索演算子を改良し、進化的探索を強化することを提案する。 我々の実験では、RLと進化的探索を統合することにより、優れたアルゴリズムの発見が加速されることを示した。
  論文  参考訳（メタデータ） (2025-04-07T14:14:15Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• Reinforcement Learning-assisted Evolutionary Algorithm: A Survey and Research Opportunities [63.258517066104446]
  進化的アルゴリズムの構成要素として統合された強化学習は,近年,優れた性能を示している。 本稿では,RL-EA 統合手法,RL-EA が採用する RL-EA 支援戦略,および既存文献による適用について論じる。 RL-EAセクションの適用例では、RL-EAのいくつかのベンチマークおよび様々な公開データセットにおける優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-25T15:06:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。