英特爾的研究人員提出一種新的自動算法生成器（AAD），利用演化算法框架，以Python語言的基本子集作為語法架構，能夠對29個數組/向量問題的代碼塊進行組合，通過學習，自動生成更復雜問題的解決方案。

本文介紹一種自動算法發現器（AAD），這是一種用于合成高復雜度計算程序的演化算法框架。此前的演化算法依賴于客觀的適應函數，這在給算法設計上增加了難度。

本文提出的AAD采用問題式引導演化過程（PGE），這需要將一組問題一起引入，針對更簡單問題發現解決方案，用于解決同一組問題中的更復雜的問題。PGE還支持幾種新的進化策略，并自然地應用于高性能計算（HPC）技術。

AAD可以為29個數組/向量問題生成Python代碼，范圍從min，max，reverse到更具挑戰性的問題，如排序和矩陣向量乘法。此外，AAD顯示出對受限環境/受限輸入的強適應性，以及針對“開箱即用”的問題的解決能力。

AAD是將相對簡單的問題解決組件自動組合程序，可以實現搜索由這些組件的所有可能排列所組成的整個空間，然后尋找滿足給定要求的解決方案。目前已經提出了許多這樣的搜索策略（例如枚舉，基于演繹，約束求解，隨機）來應對這類挑戰。

使用AAD的分類算法代碼塊示例

本文提出了一種基于演化算法的搜索策略，將其AAD中實現。AAD可以基于Python的子集作為語法結構，組合成復雜度相對較高的程序（循環，嵌套塊，嵌套函數調用等），并生成可執行的Python代碼。在本文中使用AAD來發現數組/向量問題的算法解決方案。

總的來說，AAD實現了以下目標：

使用問題導向型的演化策略來消除算法中的目標函數。

使用多樣化的演化策略（多環境解決方案，異花授粉和聯合演化），并通過廣泛的實驗評估其有效性。

利用AAD解決通用Python語言中的29個數組/向量問題，表明演化算法能夠解決復雜的新問題。

支持循環模塊，可以發現任何（非零）輸入的算法。

AAD結構設計方案和原理

AAD主要架構示意圖，主要由問題生成器、解決方案生成器和檢測器組成

問題生成器（ProbGen）

我們想要解決的每個問題都從問題生成器開始。這部分負責：（1）指定輸入和輸出的數量和類型。（2）為給定的問題生成輸入。例如，對于最大查找（Max），問題生成器指定Max將一個數組作為輸入，并生成一個數字作為輸出。另外，當請求為大小為N的問題生成輸入時，會產生一個由N個數字組成的輸入數組。

檢測器（Checker）

檢測器負責接受/拒絕為給定問題生成解決方案。檢測器使用問題生成器生成的輸入執行生成的程序，并生成輸出。檢測器中包含接受/拒絕輸出的邏輯。因此，檢測器與給定的問題生成器對應，兩者齊頭并進。

檢測器不一定真正需要實現其想要發現的算法。比如，針對“排序問題”的檢測器不必對真的對輸入數組進行排序，而是可以比較輸出數組中的每兩個相鄰元素，并查看這兩個元素是否按預期順序排列。一旦檢測到未排序數據對，檢測器會做出“失敗”的聲明。如果每對相鄰元素都是有序的，并且輸出數組中包含的元素與輸入數組完全相同，則檢測器宣布可接受該解決方案。

解決方案生成器（SolGen）

SolGen主要由兩部分組成：（1）表達式/短語存儲，以及（2）演化器。

表達式/短語存儲器（ExpStore）

解決方案生成器使用語法構造源程序。AAD使用的Python語法子集存儲在ExpStore中，如表1所示。在AAD中，語法規則使用類型信息進行擴充。

AAD支持四種數據類型：數字（NUM），布爾數（BOOL），數組（ARR）和數組的數組（AoA），它們可以對矩陣進行建模。此外，表達式的每個操作數都標記為Consumer（只讀），Producer（只寫）或ProdCon（讀-修改-寫）。

演化器（Evolver）

演化器負責對表達式和短語進行組合，以生成程序（或函數），以解決問題生成器提出的問題。演化器分三個階段構建解決函數（SolFunc）。

階段1：構建解決函數

階段2：在“生產者”（只寫數據）和“消費者”（只讀數據）間建立聯系

階段3：操作和函數調用突變

檢查輸出

一旦解決函數構建出來，就會執行這個函數，使用Python的exec（）函數生成輸出結果。檢測器負責檢查輸出，判定接受或拒絕輸出。如果第一個輸出被接受，則使用問題生成器生成的更多不同大小的、與輸入測試相同的解決函數。如果檢測器接受了所有測試，則該解決函數即被聲明為該問題的解決方案。上述三個階段構成了一個循序漸進的步驟。

上表所示為在問題集A中的調用者-被調用者的關系。比如SortDesc函數所在的行顯示，SortAsc在57％的解決方案中調用了Max函數，在14％的解決方案中調用了Min函數，以此類推。Min，Max和ReverseArr函數沒有調用任何其他函數。所有其他函數都依賴于一個或多個函數來得到解決方案，顯示出函數組合的重要性。

上表中列出了3組問題以及在基線方法下的步數表現，并將其與四種演化策略下的表現進行了對比。

未來前景與應用方向

從概念上講，AAD也可用于程序翻譯。對于用C語言，匯編語言甚至二進制語言編寫的程序，可以執行該實例作為AAD的檢測器來生成Python（或類似語言）代碼。這種方式與僅通過觀察另一個對象行為，來構建自身行為方式的機器學習算法類似。很明顯，本文中使用的Python代碼可以被視為“Python到Python”的翻譯，因為不同的檢測器對應了不同的Python實現。

AAD可能不僅僅是一個程序合成器。它還可以用來獲取機器的內在知識。通過調用-被調用關系圖和父子圖捕捉不同問題之間的內在關系。這些關系是由AAD本身發現的，并且可以被認為是不同操作之間的聯想記憶的一種表示，其形式與人類大腦構造和機制類似。

由于AAD可以通過引入越來越多的問題來增加知識儲備的擴展，通過適當的指導機制，就可以引導系統獲取大量技能（算法），并自己構建知識表示。就像我們在自己孩子還小時，向TA們提出許多問題和挑戰，目的是為了引導孩子們獲得大量技能和知識。

AAD是用于綜合高復雜度程序的演化框架，它以Python語言的基本子集作為語法架構。使用AAD能夠對29個數組/向量問題的代碼塊進行組合，其中既有最大值、最小值，矩陣翻轉這類簡單問題，也有更具挑戰性的問題，如排序和矩陣向量乘法等，對于輸入沒有大小限制。

我們評估了解決這些問題策略的有效性，并證明了AAD具備解決“開箱即用”問題的能力。為了應對復雜需求帶來的各種挑戰，AAD工具還能實現與高性能計算（HPC）技術的結合。總的來說，與現有技術相比，采用PGE的演化算法能夠解決類似或更高復雜性的問題。