HEMO：面向多目标组合优化的 Harness 自演化

自动算子设计（AOD）日益采用大语言模型（LLMs），为多目标组合优化（MOCO）生成特定于问题的搜索与变异算子。然而，大多数方法在演化算子的同时，却将发现算子的过程固定不变。当新的 Pareto 权衡与算子交互改变搜索应在何处以及如何进行时，这限制了方法的适应能力。我们提出 HEMO，将 AOD Harness 本身作为一个自演化的优化目标。HEMO 维护持久化的 Harness 状态，并一次更新一个模块，重新设计用于决定检索哪些经验、改进哪些算子、选择哪些父代，以及如何编排搜索步骤的逻辑。下游解的质量与运行时间为这些更新提供指导，而折扣 UCB 调度器则根据模块效用的变化，将适应过程引导至更有潜力的模块。持久化记忆文件系统跨 Harness 状态保存候选结果与诊断反馈，使后续状态能够基于累积的优化经验不断改进。在八个 MOCO 任务和两种结构不同的演化骨干上的实验表明，相较于传统演化、神经网络和基于 LLM 的 AOD 基线方法，HEMO 取得了出色的性能，并能有效迁移到相关任务。HEMO 将自动算子设计从演化单个算子拓展到改进发现这些算子的搜索过程。