摘要 - 元启发式算法的自动设计提供了一种有吸引力的途径，以减少人类努力并增强人类直觉的增强绩效。当前的自动化甲基ODS设计算法在固定结构内并从头开始操作。这构成了明显的差距，以完全发现对元启发式家庭的潜力，并从先前的设计经验中施肥。为了弥合差距，本文为自动化算法设计的自动化学习设计师提供了自动化的学习设计师。我们的设计师将元启发式算法设计作为序列生成任务，并利用自动回归的生成网络来处理该任务。这提供了两个进步。首先，通过自我重新推断，设计师生成具有不同长度和结构的算法，从而使元硫素家族的潜力充分发现了潜力。第二，可以检索在设计师的神经元中学习和积累的事先设计知识，以设计用于未来问题的算法，为连续设计算法的方式铺平了为开放式问题解决的方法。对数字基准和现实世界中问题的广泛实验表明，所提出的设计师生成的算法在25个测试问题中的24个中都超过了所有人类创建的基线的算法。生成的算法显示了各种结构和行为，适合不同的解决问题的上下文。代码将在纸质出版后发布。