アルゴリズムコード最適化のための制御された自己進化

要旨

自己進化手法は、反復的な「生成-検証-改良」サイクルを通じてコード生成を強化するが、既存のアプローチは探索効率の低さに悩まされており、限られたリソース内で優れた複雑性を持つ解を発見できない。この非効率性は、初期化バイアスによる貧弱な解領域への進化の閉じ込め、フィードバック指導を欠く制御不能な確率的操作、タスク間での経験活用の不十分さに起因する。これらのボトルネックを解決するため、我々は制御付き自己進化（CSE）を提案する。これは3つの主要コンポーネントで構成される。多様化計画初期化は構造的に異なるアルゴリズム戦略を生成し、広範な解空間カバレッジを実現する。遺伝的進化は確率的操作をフィードバック誘導型メカニズムに置き換え、標的型変異と合成的交叉を可能にする。階層的進化メモリは、タスク間レベルとタスク内レベルで成功・失敗両方の経験を捕捉する。EffiBench-Xにおける実験では、CSEが様々なLLM基盤モデルにおいて全てのベースラインを一貫して凌駕することを実証した。さらにCSEは初期世代から高い効率性を達成し、進化過程を通じて継続的な改善を維持する。コードはhttps://github.com/QuantaAlpha/EvoControlで公開されている。

English

Self-evolution methods enhance code generation through iterative "generate-verify-refine" cycles, yet existing approaches suffer from low exploration efficiency, failing to discover solutions with superior complexity within limited budgets. This inefficiency stems from initialization bias trapping evolution in poor solution regions, uncontrolled stochastic operations lacking feedback guidance, and insufficient experience utilization across tasks. To address these bottlenecks, we propose Controlled Self-Evolution (CSE), which consists of three key components. Diversified Planning Initialization generates structurally distinct algorithmic strategies for broad solution space coverage. Genetic Evolution replaces stochastic operations with feedback-guided mechanisms, enabling targeted mutation and compositional crossover. Hierarchical Evolution Memory captures both successful and failed experiences at inter-task and intra-task levels. Experiments on EffiBench-X demonstrate that CSE consistently outperforms all baselines across various LLM backbones. Furthermore, CSE achieves higher efficiency from early generations and maintains continuous improvement throughout evolution. Our code is publicly available at https://github.com/QuantaAlpha/EvoControl.

アルゴリズムコード最適化のための制御された自己進化

Controlled Self-Evolution for Algorithmic Code Optimization

要旨

Support