摘要：该篇论文介绍了一种名为“Mind Evolution”的进化搜索策略，用于在大型语言模型中提高推理时间计算效率。该方法使用语言模型生成、重组和优化候选响应，并避免了需要对潜在的推理问题进行形式化的需求。实验结果表明，在自然语言规划任务中，“Mind Evolu

该篇论文介绍了一种名为“Mind Evolution”的进化搜索策略，用于在大型语言模型中提高推理时间计算效率。该方法使用语言模型生成、重组和优化候选响应，并避免了需要对潜在的推理问题进行形式化的需求。实验结果表明，在自然语言规划任务中，“Mind Evolution”显著优于其他推理策略，如Best-of-N和Sequential Revision。在TravelPlanner和Natural Plan基准测试中，Mind Evolution使用Gemini 1.5 Pro解决了超过98％的问题实例，而无需使用正式求解器。

本文提出了一种名为Mind Evolution的语言基于遗传算法（language-based genetic algorithm）的搜索策略，结合了大型语言模型（LLM）和定制化的提示语（prompts），用于高效地搜索自然语言规划任务的解决方案。该方法的核心组成部分包括选择和迁移操作、利用LLM实现初始化、重组（交叉和变异）以及岛屿重置操作的提示语集合，以及一个针对每个问题域的适应度函数，用于评估给定方案的质量并提供反馈。

在Mind Evolution中，通过引入岛屿模型（island model）来维持多样性的进化过程。该模型将不同子种群（islands）创建出来，并独立进化，同时在指定频率下进行迁移和岛屿重置事件。此外，Mind Evolution还采用了重新组合（recombination）、变异（mutation）和岛屿重置（island reset）等操作，以实现高效的搜索过程。

Mind Evolution方法主要应用于自然语言规划任务，如会议安排、旅行计划等。该方法能够快速找到满足约束条件且质量较高的解决方案，从而提高解决问题的效率。与传统的搜索方法相比，Mind Evolution具有更高的搜索效率和更好的多样性维护能力。

本文介绍了Mind Evolution在三个自然语言规划领域的实验结果，并与三种基准搜索策略进行了比较。这些领域包括Trip Planning（旅行规划）、Meeting Planning（会议规划）和StegPoet（隐藏信息编码）。对于每个任务，本文都提供了详细的实验设置和评估指标，以及对实验结果的分析和解释。

在Trip Planning任务中，Mind Evolution相对于其他基准策略表现出显著的优势，成功率为96.2%。此外，Mind Evolution还具有较强的可扩展性，在增加迭代次数后仍能保持较高的成功率。在Meeting Planning任务中，Mind Evolution也表现出了优异的表现，成功率为85.0%。最后，在StegPoet任务中，Mind Evolution也能够有效地解决该问题，达到了87.1%的成功率。

总的来说，本文证明了Mind Evolution作为一种基于进化算法的搜索方法，在自然语言规划领域具有很高的效率和准确性。通过与其他基准策略的比较，Mind Evolution显示出了其独特的优势和潜力。

来源：宁教授网络空间元宇宙