MeEvo框架：融合自然进化与元认知进化改进大模型自动启发式设计
新研究提出MeEvo，循环耦合两种进化机制，在五个优化问题上相对现有LLM-based AHD架构取得更强性能与更低方差。
AI解读：大模型写启发式算法时有个两难：一种做法是对代码做交叉、变异，能探索很多方案，但丢掉了设计时的推理过程，知识留不住；另一种做法是保留推理轨迹并靠反思改进，但缺少群体层面的组合，探索不够。MeEvo把两者接起来，先让自然进化跑一圈并记录推理轨迹、适应度、错误和最优解，再让元认知进化基于这段历史反思并生成改进的启发式，喂回下一轮自然进化，循环中逐渐从探索转向利用。论文称在五个优化任务上，MeEvo的性能和稳定性好于它测试的其他LLM-based架构，尤其在复杂带约束任务上。这对研究自动算法设计的人意义直接：不用再在探索和知识保留之间二选一。需要留意，这是arXiv预印本，方法只和它比较的少数基线对比，具体提升幅度要等论文全文或复现数据才能核实。普通读者暂不需要采取动作。
来自中国和英国的研究者提出MeEvo，一个将自然进化与元认知进化循环耦合的自动启发式设计（AHD）框架，声称在五个优化问题上的性能优于所测试的其他LLM-based AHD架构，且结果方差更低。论文于2026年6月12日首次提交至arXiv，最新版本v5于9月3日更新。
现有LLM-based AHD的两条路线与各自短板
论文指出，现有LLM-based AHD架构主要有两种范式。自然进化（Natural Evolution）对LLM生成的启发式代码施加交叉与变异来探索多样策略，但丢弃了设计决策背后的推理轨迹，削弱了知识保留。元认知进化（Metacognitive Evolution）则保留这些推理轨迹并通过反思进行细化，但缺少群体层面的重组，限制了探索。作者认为，这两种局限都降低了搜索效率、稳定性和在复杂问题上的解质量。
MeEvo如何耦合两种进化机制
为弥合上述差距，研究提出MeEvo框架，循环耦合自然进化与元认知进化，并通过算子平衡实现从探索向利用的转移。具体流程是：自然进化在探索启发式代码时，将LLM生成的推理轨迹、适应度值、错误和当前最佳启发式一并记录到共享历史中；随后元认知进化基于这段历史进行反思，生成改进后的启发式，再输入下一轮自然进化循环。作者称，这种设计让群体驱动的探索与反思驱动的细化相互强化。
实验结果与论文信息
论文报告，在五个优化问题上的实验显示，MeEvo比所测试的LLM-based AHD架构取得更强性能、更低方差，尤其表现在复杂带约束任务上。论文作者为Zishang Qiu、Xinan Chen、Rong Qu和Ruibin Bai，学科分类为Neural and Evolutionary Computing (cs.NE) 和Artificial Intelligence (cs.AI)。论文arXiv编号为2606.14202v5，DOI为10.48550/arXiv.2606.14202。需要说明的是，本报道依据的是论文摘要，而非全文内容。