BehaveSim：用代码相似性度量行为相似性

摘要与贡献。论文提出以 problem-solving trajectory (PSTraj) 表示迭代算法逐步产生的解，再以解空间距离与 Dynamic Time Warping 对齐轨迹；并用该相似度支持 FunSearch 的行为 niche 管理和 EoH 的辅助目标。三任务结果表明该方法在论文实验设置下提升搜索表现。

优点。问题定义有操作性：代码表面和最终输出均可能漏掉中间策略；方法将解空间相似度与时间轴对齐明确拆开。其验证包含相似性基准、行为聚类分析以及 ASP/TSP/CPP 应用，且在两个搜索框架中测试，证据链比单纯度量相关性更完整。

主要疑虑。BehaveSim 的有效性依赖任务特定状态/解距离，距离归一化与初始点分布会影响分数；论文聚焦可迭代产生解的算法，不能自然推广到一次性生成算法。每种方法仅三次独立运行，关于稳定性的结论有限。轨迹采集和两两 DTW 的额外成本、基于同一测试分布选择距离的偏差、跨任务/跨表示迁移均需要更强证据。搜索性能提高支持“该设置下这个多样性信号有用”，不证明行为距离是探索质量的充分统计量。

维度判断（按 ICLR 常见审稿维度）。技术质量：中上，核心定义清晰但通用性依赖任务。呈现：较好，需突出成本及适用边界。重要性：有意义，尤其算法搜索和生成代码分析。原创性：中上，组合 PSTraj 与 DTW 并落地搜索有明确增量，但底层 DTW/多样性不是新工具。可复现性：有公开代码声明，仍应报告硬件/运行预算与复现实验细节。

建议：Weak Accept（弱接收），置信度 0.68。增量是真实但边界明确；若评审更看重通用相似性理论或统计显著性，可能降为 Weak Reject。以上为基于公开论文的模拟评审，不代表正式会议表单结果。

重要前史：MAP-Elites（Mouret & Clune, 2015）。论文在算法多样性讨论中引用 MAP-Elites 的行为特征映射思路。它提供一个有影响力的先例：不只保留单一最优解，也按行为描述空间维护精英解。BehaveSim 的区别是用轨迹距离来刻画候选算法行为，并把差异信号嵌入 LLM-AAD 搜索。公开来源：arXiv:1504.04909。这里称其为重要思想前史，而非声称它是唯一直接来源。

后续引用检查。截至本页检索日 2026-10-23，未能从本次可核验的公开证据确认一篇发表在 2603.02787 之后且明确引用它的论文；因此不虚构“新论文”。焦点论文发布日期为 2026-03-03，检索可见信息可由 arXiv 页面复查。这个“未核实”不等于不存在引用，特别是新近预印本的索引滞后可能造成漏检。

项目提案：跨任务“行为护照”与可迁移搜索策略库（假想研究）。若 BehaveSim 的成功表明多步解轨迹能作为搜索中可用的行为信号，下一步可建立跨任务行为基准：把轨迹映射为由任务声明的状态抽象与不变特征组成的“行为护照”，并研究在新任务上迁移搜索算子是否保留有效的策略差异。项目关键问题不是再添一种距离，而是识别同一行为策略何时能跨实例/任务迁移，何时任务专属几何使得相似度失效。

设计上先在若干有共同状态语义的优化任务上收集匿名轨迹，预注册跨任务迁移划分；比较 PSTraj-DTW、终态质量、代码结构度量和随机多样性控制，衡量目标任务的样本效率、最优质量与跨种子稳定性；评估不确定性和度量成本。只有在多个任务族上复现收益，才能支持“可复用的算法行为类别”。这是由现有工作提供可操作轨迹相似度后才值得测试的后续，不是论文已完成的结果。

产品提案：运筹优化团队的“启发式策略回归测试台”。为使用 LLM 生成排程、路线规划启发式的团队实现离线评估插件：对候选代码在固定问题实例和起点上记录中间解，计算 BehaveSim 聚类，展示新版本是否只是重写了旧策略、是否引入新的行为族，再与业务目标分数并列供工程师审核。付费理由是减少冗余实验和帮助发现性能退化前的策略覆盖变化；该产品只是辅助诊断，不自动决定上线策略。

正面影响：更透明地审计搜索候选，可能减少重复算力并暴露单一策略依赖。负面影响：行为相似度可能被错误任务距离误导，导致新颖但有价值的候选被过滤；固定实例、日志或轨迹可能泄漏业务数据，且团队可能把“距离更大”误当作“更好”。实施要求包括本地化执行、数据最小化、人工复核、质量目标与行为距离分开呈现，并报告额外计算成本。以上是建议的产品用法，不是论文评估过的部署案例。

可展示的最小算法路径（原创伪代码，未声称运行）。用 1D 最小化问题，让两种迭代器输出每步位置；一条轨迹可快步到最优点后停留，另一条缓慢逼近。按绝对距离归一化，并用动态规划求 DTW：

def dtw(A, B, dist):
    m, n = len(A), len(B)
    D = [[float("inf")] * (n + 1) for _ in range(m + 1)]
    D[0][0] = 0.0
    for i in range(1, m + 1):
        for j in range(1, n + 1):
            D[i][j] = dist(A[i-1], B[j-1]) + min(
                D[i-1][j], D[i][j-1], D[i-1][j-1])
    return D[m][n] / min(m, n)

# BehaveSim-style score: 1 - normalized trajectory distance
score = 1.0 - dtw(trace_a, trace_b, lambda x,y: abs(x-y)/scale)

课堂 demo 可打印两条轨迹和分数，再将其中一条反向移动以展示距离增大。代码只呈现 PSTraj + DTW 核心简化版本；未下载或运行官方实现，也未执行该代码，因此不报告任何演示数值。正式复现还需处理解类型、任务距离上界、多个实例/起点的期望和轨迹截断。论文官方实现可作为后续对照：behavesim repository。

证据边界与公开履历。作者为 Rui Zhang 与 Zhichao Lu（见 论文元数据）。在本页可核验证据范围内，没有足够可靠的官方个人主页/机构履历来源来确认作者具体任职、学习经历或早期项目；因此不推断“在哪里工作”或“读了什么”。论文引用和研究内容表明团队关注 LLM 自动算法设计、启发式演化与代码分析，这是研究脉络而非个人背景事实。

动机判断：作者在论文中明确提出的研究动机是，LLM-AAD 的算法设计原则隐含于生成代码，因此需要区分真实算法创新与语法变化；这来自论文公开陈述。个人动机无法由论文推知。依任务规则，不联系作者，也不把猜测包装成背景调查结论。

论文自身的影响框架。论文把贡献定位为帮助 LLM-AAD 提高行为多样性、改善三个算法设计任务的搜索表现，并支持对 AI 生成算法进行系统分析；它未见专门的社会影响评估或部署影响量化，因此不能称其证明了公共福祉收益。

可能的额外正面影响（推论）。若方法帮助研究者减少重复搜索、理解算法策略差异，可能改善科学计算的可审计性和资源效率，也可让优化系统更容易被人工比较。需要实际部署证据才能确认。

遗漏的潜在负面影响。该技术可加速高影响优化（例如资源分配或基础设施调度），行为多样性并不保证公平、安全或符合公共目标；更强的自动算法发现也可能降低人类审查可见性。轨迹数据可能包含敏感状态，行为度量若训练/筛选偏差会系统性排除少数但有用的策略。缓解措施包括应用领域风险评估、隐私保护、可解释日志和对候选的人工审批。以上为审慎的潜在风险分析，非论文已观察到的实际伤害。