LLM Agent Evolutionary Computation Complex Systems MCTS Automated Design
摘要

针对人工生命领域中复杂系统设计因反馈结构非线性而难以预测和优化的难题,本文提出CEDAR方法。该方法利用大语言模型(LLM)智能体,通过深度耦合蒙特卡洛树搜索(MCTS)来发现满足用户指定行为目标的复杂系统。其核心创新在于将LLM裁判作为适应度函数评估涌现行为,将LLM编辑器作为变异算子提出改进变体,形成类似进化计算的生成-评估循环。CEDAR将复杂系统表示为可运行的Python子集,实现了目标导向的系统行为发现,同时保持解的多样性并提升可解释性,显著降低了人力成本。

AI 推荐理由

论文核心利用LLM作为进化计算中的变异算子和适应度函数,通过生成-评估循环实现系统的自我优化与发现。

研究机构
Sakana AI
论文信息
作者 Yingtao Tian
发布日期 2026-08-07
arXiv ID 2608.06871
相关性评分 9/10 (高度相关)