OR-Agent: 将进化搜索与结构化研究相结合以实现自动化算法发现

在复杂且依赖实验的科学发现领域中，自动化不仅需要程序的迭代变异，还需要结构化的假设管理、环境交互和原则性反思。本文提出了OR-Agent，一种可配置的多智能体研究框架，旨在用于丰富实验环境中的自动化探索。OR-Agent将研究组织为基于树的结构化工作流，显式建模分支假设生成和系统回溯，从而实现对研究轨迹的控制管理，超越简单的变异-交叉循环。其核心引入了一种进化-系统性思想机制，统一了研究起点的进化选择、全面的研究计划生成以及研究树内的协调探索。此外，还提出了一种受分层优化启发的反思系统：短期实验反思作为一种语言梯度提供即时校正信号；长期反思积累跨实验的见解作为语言动量；记忆压缩则作为类似权重衰减的正则化机制，保留关键信号并减少漂移。这些组件共同构成了一个指导研究动态的原则性架构。我们在经典组合优化基准（如旅行商问题、带容量约束的车辆路径问题、装箱问题、定向越野问题和多重背包问题）以及基于模拟的合作驾驶场景中进行了大量实验。结果表明，OR-Agent优于强大的进化基线，并提供了一个通用、可扩展且可检查的AI辅助科学发现框架。