arXiv来源发表:
优化算法不再逐次重写：把迭代轨迹当经验训练，模型可跨问题迁移到更大维度
核心概要
迭代优化算法可以不再作为程序反复重写，而是被转成可训练的模型。做法是把算法执行轨迹视为计算经验，用自回归方式让前一代种群构成生成下一代的计算上下文，并用与维度无关的种群—时间架构同时刻画种群交互与迭代动态。模型先通过模仿从多种异构教师算法中获取搜索知识，再借助优化反馈直接改进自身，从而把异构搜索知识整合进单一模型，并在未见过的更大维度问题上迁移所学。
深度剖析
迭代优化算法被当作可训练对象处理，算法执行轨迹成为训练数据，模型学习算法状态如何随迭代演化，从而复现已有算法的计算行为。 此前算法以程序形式由人反复设计，每次面对新问题都要重新构造求解流程。 这一转变以迭代优化作为该范式的首个实现来展示：优化过程被写成自回归过程，前一代种群构成生成下一代的计算上下文。
模型采用与维度无关的种群—时间架构，在同一结构中同时表达种群内部交互和跨迭代的动态。 该架构与一套“先模仿、后超越”的学习流程配套，而不是只做单一算法的行为复制。 学习流程先从多种异构教师算法中获取算法知识，再通过优化反馈直接改进得到的优化器。
训练后的优化器把来自不同教师算法的搜索知识整合进一个模型，并在后续改进中获得更强的优化能力。 它不再局限于复现某一个具体算法，而是把异构搜索知识汇入同一可训练模型。 所学知识可跨问题迁移，并能在明显更大的、训练时未见的维度上泛化。
启示与展望
目前展示的范围是把迭代优化作为该范式的首个实现，验证集中在优化任务上的跨问题迁移与更大未见维度泛化。适合关注优化求解器设计与学习型算法的研究人员阅读。
材料把这一方向表述为一条有前景的路径，而非已经确立的通用算法模型；算法能力通过学习累积这一判断也以该首个实现为依据。