进化搜索中的计算分配：从深度-广度到多臂赌博机
计算与语言
2026-05-29 v1 人工智能
机器学习
神经与进化计算
摘要
LLM引导的进化搜索（Evolve系统）已在数学和组合任务上达到最先进的结果，但大多数现有系统仅报告多次运行中的最佳结果，未记录运行间的分布情况。我们询问在固定的LLM调用预算下，如何分配资源，以及单次运行是否可靠地达到报告的数值。通过遍历深度-广度网格（覆盖五个模型和三个任务），我们识别出两个经验规律：沿着适应度-计算量包线，其中能力排序在有效FLOPs上基本折叠，以及深度-广度拟合呈双线性形式，具有任务相关性；两者都受模型-任务能力的制约。针对这些规律，我们提出了BaSE（基于多臂赌博机的自适应进化），一种在平行轨迹之间分配LLM调用的多臂赌博机。在不改变模型、提示词或评估器的前提下，BaSE在8个（模型、任务）组合单元上均比最强的岛屿协议基线提高了12.3%的平均适应度，最大收益出现在高方差设置上：仅通过分配带来可靠性提升。
引用
@article{arxiv.2605.29268,
title = {Compute Allocation in Evolutionary Search: From Depth-Breadth to Multi-Armed Bandits},
author = {Sixue Xing and Haoyu He and Kerui Wu and Zhuo Yang and Haozheng Luo and Tianfan Fu and Aarthy Nagarajan},
journal= {arXiv preprint arXiv:2605.29268},
year = {2026}
}