EvoOR-Agent：用协同进化打造自适应且可解释的智能体优化框架

运筹学自动化面临手工设计工作流的瓶颈，现有系统难以适应OR问题的多样性与复杂性。EvoOR-Agent通过将智能体架构表示为AOE网络并应用协同进化算法，在异构OR基准测试中超越零样本LLM、固定流水线智能体及现有进化框架，实现性能与可解释性的双重突破。

运筹学（OR）支撑现代商业运营，但将OR问题转化为可求解模型需高度专业化知识。现有OR自动化系统依赖手工设计的固定推理-执行工作流，存在两大局限：一是多阶段协调复杂（需处理问题解读、建模、求解器选择等多阶段依赖）；二是无法应对推理路径多样性（同一问题存在多种建模、求解策略）。

EvoOR-Agent将智能体架构和推理轨迹视为可进化对象，采用协同进化机制。核心创新是AOE网络表示：节点代表决策点/状态，边代表活动/推理步骤，路径代表完整推理轨迹，使工作流结构显式可见。框架同时维护两个进化对象：架构图（定义工作流拓扑）和推理个体群体（架构约束下的具体路径实例），实现架构与实例层面的协同优化。

EvoOR-Agent采用三种进化算子：1.图介导的路径条件重组（结构感知，确保重组有效性）；2.多粒度语义变异（粗/中/细粒度调整，兼顾宏观探索与微观优化）；3.精英主义群体更新（保留最优个体，维持多样性）。此外，知识库辅助模块在初始化阶段注入先验知识（相似案例的建模/求解经验），并指导变异方向，加速收敛。

在异构OR基准测试（线性规划、整数规划、组合优化等）中，EvoOR-Agent表现优异：超越零样本LLM（结构化推理提升成功率）、固定流水线智能体（自适应架构处理复杂变体）、代表性进化框架（OR知识库增强针对性）。案例研究显示，AOE网络的显式表示增强了可解释性，可追溯解决方案的推理路径、比较路径优劣。

消融实验表明：1.禁用架构进化时性能显著下降，说明工作流结构进化是适应多样化OR问题的关键；2.禁用AOE图结构时重组有效性降低、收敛变慢，图结构提供语义指导；3.禁用知识库辅助时初始表现差、收敛慢，知识库提供先验引导。

EvoOR-Agent为OR自动化指明方向：从手工设计到自动演化、性能与可解释性统一、领域知识有效整合。局限包括计算开销、问题规模限制、知识库依赖。未来研究方向：引入近似评估加速进化、探索分布式策略、扩展到科学发现/工程设计等领域。