DesignX：面向黑箱优化的人类竞争级算法设计器

设计有效的黑箱优化器受到有限的问题特定知识和手动控制的制约，几乎每个细节都需要耗费数月时间。在本文中，我们提出了\textit{DesignX}，这是首个自动化算法设计框架，能够在数秒内为给定的黑箱优化问题生成有效的优化器。基于第一性原理，我们识别出两个关键子任务：1）算法结构生成和2）超参数控制。为实现系统性构建，首先建立一个全面的模块化算法空间，涵盖数十年研究中收集的数百个算法组件。随后，我们引入了一个双智能体强化学习系统，通过一种新颖的协作训练目标在结构和参数设计上进行协作，从而在10k个多样化实例上实现大规模元训练。值得注意的是，经过数天的自主学习，DesignX生成的优化器在合成测试平台或真实优化场景（如蛋白质对接、AutoML和无人机路径规划）中均以数量级超越人工设计的优化器。进一步的深入分析揭示了DesignX发现超越专家直觉的非平凡算法模式的能力，反之，这为优化领域提供了有价值的设计洞察。我们在 https://github.com/MetaEvo/DesignX 提供了DesignX的Python项目。