論文の概要: SimpleEvol: An Agent-Loop Framework for LLM-Driven Automated Heuristic Design with Minimal Human Priors

• arxiv url: http://arxiv.org/abs/2609.37172v2
• Date: Wed, 30 Sep 2026 16:15:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.267269
• Title: SimpleEvol: An Agent-Loop Framework for LLM-Driven Automated Heuristic Design with Minimal Human Priors
• Title（参考訳）: SimpleEvol: LLM駆動型自動ヒューリスティック設計のためのエージェントループフレームワーク
• Abstract要約: 我々は、大規模言語モデル(LLM)が自動設計(AHD)の強力なツールとして出現したと主張している。 我々は,AHDのエージェントループフレームワークであるSimpleEvolを提案する。
• 参考スコア（独自算出の注目度）: 30.30681840175733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have emerged as powerful tools for automated heuristic design (AHD), enabling iterative generation and refinement of heuristics. However, the dominant paradigm embeds LLMs as narrow, fixed components, such as crossover or mutation, within heavily hand-engineered evolutionary frameworks. We argue this misapprehends LLMs. It treats them as specialized tools rather than general reasoners, constrains them to low-level operations, and underutilizes their autonomy. Moreover, the extensive human priors in these frameworks violate the bitter lesson principle that general methods scaling with computation surpass hand-crafted solutions. This raises a key question: which AHD framework designs best convert stronger LLM capabilities into better heuristics? To address this, we propose metrics for LLM-driven AHD framework handcraftedness (AHI) and intelligence conversion efficiency (ICE). Evaluating ten LLMs across three challenging combinatorial optimization problems, we obtain a notable finding that frameworks with fewer human priors consistently yield higher ICE. Based on this finding, we propose SimpleEvol, an agent-loop framework for AHD which removes nearly all human priors and allows the LLM to operate autonomously. SimpleEvol consistently achieves the highest ICE, often by a large margin. Our results challenge the trend toward complex AHD pipelines and point to a lighter and more model-centric alternative, suggesting that reducing human priors is a more effective strategy to scale up with model intelligence. The source code is available at https://github.com/HenryZhu1029/SimpleEvol-Master.
• Abstract（参考訳）: 大規模言語モデル(LLM)は自動ヒューリスティック設計(AHD)のための強力なツールとして登場し、ヒューリスティックの反復生成と改良を可能にしている。 しかし、支配的なパラダイムは、LSMをクロスオーバーや突然変異のような狭い固定されたコンポーネントとして、手作業の激しい進化の枠組みに埋め込んでいる。 我々はこの誤解がLSMに当てはまると論じている。 一般的な推論よりも専門的なツールとして扱い、低レベルの操作に制約を与え、自律性を損なう。 さらに、これらのフレームワークの広範な人的優位性は、計算でスケールする一般的な手法が手作りのソリューションを超えるという苦い教訓に反する。 どのAHDフレームワークがより強力なLLM機能をより良いヒューリスティックに変換するのが一番良いのか? そこで本研究では,LLM駆動型AHDフレームワークハンドクラフトネス(AHI)とインテリジェンス変換効率(ICE)の指標を提案する。 3つの難解な組合せ最適化問題に対する10個のLLMの評価を行い、人間の優先順位が低いフレームワークがICEを常に向上させることを示す。 そこで本研究では,AHDのエージェントループフレームワークであるSimpleEvolを提案する。 SimpleEvolは、しばしば大きなマージンで、常に最高ICEを達成する。 我々の結果は、複雑なAHDパイプラインへのトレンドに挑戦し、より軽量でモデル中心の代替手段を指摘し、人間の優先順位を減らすことがモデルインテリジェンスでスケールアップするためのより効果的な戦略であることを示唆している。 ソースコードはhttps://github.com/HenryZhu1029/SimpleEvol-Masterで入手できる。

関連論文リスト

• Multi-Agent Evolve: LLM Self-Improve through Co-evolution [53.00458074754831]
  強化学習(RL)は、大規模言語モデル(LLM)の推論能力を高める大きな可能性を証明している。 近年のSelf-Play RL法は,ゲームやGoのパラダイムの成功に触発されて,人間に注釈を付けることなくLSM推論能力を向上することを目指している。 数学,推論,一般知識Q&Aなど多種多様な課題の解決において,LLMが自己発展できるフレームワークであるMulti-Agent Evolve(MAE)を提案する。
  論文  参考訳（メタデータ） (2025-10-27T17:58:02Z)
• HeurAgenix: Leveraging LLMs for Solving Complex Combinatorial Optimization Challenges [10.088078143772563]
  ヒューリスティックアルゴリズムは最適化(CO)問題を解く上で重要な役割を果たす。 HeurAgenixは、大規模言語モデル(LLM)を利用した2段階の超ヒューリスティックフレームワークである。
  論文  参考訳（メタデータ） (2025-06-18T07:20:01Z)
• Can Reasoning Models Reason about Hardware? An Agentic HLS Perspective [18.791753740931185]
  OpenAI o3-mini と DeepSeek-R1 は Chain-of-Thought (CoT) を通じて推論を強化している 本稿では, LLM の推論が高レベル合成(HLS)設計空間探索と最適化の課題に対処できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-03-17T01:21:39Z)
• Towards Efficient LLM Grounding for Embodied Multi-Agent Collaboration [68.29746557968107]
  本稿では,多エージェント協調のための新しいフレームワークを提案する。これは,効率的な自己調整のための強化アドバンテージフィードバック(Reinforced Advantage feedback, ReAd)を導入する。 Over-AIと難解なRoCoBenchの実験は、ReAdが成功率のベースラインを超え、エージェントの相互作用ステップを著しく減少させることを示している。
  論文  参考訳（メタデータ） (2024-05-23T08:33:19Z)

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。