論文の概要: OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Algorithm Discovery

• arxiv url: http://arxiv.org/abs/2602.13769v1
• Date: Sat, 14 Feb 2026 13:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.41229
• Title: OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Algorithm Discovery
• Title（参考訳）: OR-Agent: 自動アルゴリズム発見のためのブリッジング進化探索と構造化研究
• Authors: Qi Liu, Wanjing Ma,
• Abstract要約: OR-Agentは、リッチな実験環境における自動探査のために設計されたマルチエージェントの研究フレームワークである。 本稿では,研究開始点の進化的選択,総合的な研究計画生成,研究ツリー内の協調探索を統一する進化的システム機構を提案する。 我々は古典的最適化ベンチマーク(走行セールスマン、静電容量化車両ルーティング、ビンパッキング、オリエンテーリング、および複数のクナップサック問題を含む)およびシミュレーションに基づく協調運転シナリオを含む実験を行う。
• 参考スコア（独自算出の注目度）: 10.217363774023033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automating scientific discovery in complex, experiment-driven domains requires more than iterative mutation of programs; it demands structured hypothesis management, environment interaction, and principled reflection. We present OR-Agent, a configurable multi-agent research framework designed for automated exploration in rich experimental environments. OR-Agent organizes research as a structured tree-based workflow that explicitly models branching hypothesis generation and systematic backtracking, enabling controlled management of research trajectories beyond simple mutation-crossover loops. At its core, we introduce an evolutionary-systematic ideation mechanism that unifies evolutionary selection of research starting points, comprehensive research plan generation, and coordinated exploration within a research tree. We further propose a hierarchical optimization-inspired reflection system: short-term experimental reflection operates as a form of verbal gradient providing immediate corrective signals; long-term reflection accumulates cross-experiment insights as verbal momentum; and memory compression serves as a regularization mechanism analogous to weight decay, preserving essential signals while mitigating drift. Together, these components form a principled architecture governing research dynamics. We conduct extensive experiments across classical combinatorial optimization benchmarks-including traveling salesman, capacitated vehicle routing, bin packing, orienteering, and multiple knapsack problems-as well as simulation-based cooperative driving scenarios. Results demonstrate that OR-Agent outperforms strong evolutionary baselines while providing a general, extensible, and inspectable framework for AI-assisted scientific discovery. OR-Agent source code and experiments data are publicly available at https://github.com/qiliuchn/OR-Agent.
• Abstract（参考訳）: 複雑な実験駆動の領域における科学的発見の自動化には、プログラムの反復的な突然変異以上のものが必要であり、構造化された仮説管理、環境相互作用、原則化されたリフレクションを必要とする。 提案するOR-Agentは、リッチな実験環境における自動探索のための構成可能なマルチエージェント・リサーチ・フレームワークである。 OR-Agentは、分岐仮説の生成と系統的なバックトラックを明示的にモデル化する構造化ツリーベースのワークフローとして研究を組織し、単純な突然変異交叉ループを超えた研究軌道の管理を可能にする。 その中核となるのは,研究開始点の進化的選択,総合的な研究計画生成,研究ツリー内の協調的な探索を統一する進化的体系的思考機構である。 さらに, 短期的実験反射は, 即時補正信号を提供する動詞勾配として機能し, 長期的反射は言語運動量として実験的洞察を蓄積し, メモリ圧縮は, 重量減衰に類似した正規化機構として機能し, ドリフトを緩和しながら必須信号を保存する。 これらのコンポーネントは共に、研究ダイナミクスを管理する原則的なアーキテクチャを形成します。 我々は,古典的組合せ最適化ベンチマーク(走行セールスマン,静電容量化車両ルーティング,ビンパッキング,オリエンテーリング,複数クナップサック問題,シミュレーションに基づく協調運転シナリオなど)の広範な実験を行った。 その結果、OR-AgentはAIによる科学的発見のための汎用的で拡張性があり、検査可能なフレームワークを提供しながら、強力な進化のベースラインを上回ります。 OR-Agentのソースコードと実験データはhttps://github.com/qiliuchn/OR-Agentで公開されている。

関連論文リスト

• SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
  SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。 実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。 回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
  論文  参考訳（メタデータ） (2025-11-29T09:18:39Z)
• Beyond Pipelines: A Survey of the Paradigm Shift toward Model-Native Agentic AI [27.209787026732972]
  エージェントAIの急速な進化は、人工知能の新しいフェーズを象徴している。 この調査はエージェントAI構築におけるパラダイムシフトをトレースする。 それぞれの能力が外部スクリプトモジュールからエンドツーエンドの学習行動へとどのように進化したかを調べる。
  論文  参考訳（メタデータ） (2025-10-19T05:23:43Z)
• Operationalizing Serendipity: Multi-Agent AI Workflows for Enhanced Materials Characterization with Theory-in-the-Loop [0.0]
  SciLinkは、材料研究におけるセレンディピティーを運用するために設計された、オープンソースのマルチエージェント人工知能フレームワークである。 実験観察、新規性評価、理論シミュレーションの直接的な自動リンクを生成する。 本稿では,原子分解能およびハイパースペクトルデータへの応用,リアルタイムな人間専門家指導の統合能力,研究ループを閉じる能力について述べる。
  論文  参考訳（メタデータ） (2025-08-07T04:59:17Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• IRIS: Interactive Research Ideation System for Accelerating Scientific Discovery [27.218896203253987]
  IRISは、研究者が大規模言語モデル(LLM)を補助する科学的概念を活用するために設計されたオープンソースのプラットフォームである。 IRISは、モンテカルロ木探索(MCTS)による適応的なテスト時間計算拡張、きめ細かいフィードバック機構、クエリベースの文献合成など、アイデアを強化する革新的な機能を備えている。 我々は様々な分野の研究者とユーザスタディを行い、システムの有効性を検証し、アイデアの充実を図っている。
  論文  参考訳（メタデータ） (2025-04-23T14:01:36Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)

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。