HEMO
一种将自动算子设计中的 harness 作为自进化对象的框架，通过单模块更新、折扣 UCB 调度与持久记忆实现多目标组合优化的搜索流程自我改造。
时间轴 (近 90 天)
HEMO 提出把自动算子设计的 harness 本身作为优化目标，并维护一个持久的 harness 状态，以模块为单位逐个更新。
HEMO 的 harness 修订逻辑覆盖四个层面：检索哪段经验、改进哪个算子、选择哪些父代、以及如何编排搜索步骤。
HEMO 采用单模块更新的设计以降低搜索空间的耦合度，使每次改动的效果更容易归因。
HEMO 使用折扣 UCB 调度器，根据各模块效用的变化把适应资源导向更有希望的模块。
HEMO 使用持久化记忆文件系统，跨 harness 状态保存候选结果与诊断反馈，使后续状态能基于此前积累的优化经验。
HEMO 在八项 MOCO 任务和两种结构不同的进化骨架上进行了验证。
实验结果显示 HEMO 相比传统进化方法、神经网络方法以及基于 LLM 的 AOD 基线均有较强表现，并且能有效迁移到相关任务。
HEMO 的代价是系统复杂度上升，模块更新与调度带来的额外开销如何随任务规模变化仍需后续工作回答。
全部知识事实 (8)
HEMO 提出把自动算子设计的 harness 本身作为优化目标，并维护一个持久的 harness 状态，以模块为单位逐个更新。
50%待验证HEMO 的 harness 修订逻辑覆盖四个层面：检索哪段经验、改进哪个算子、选择哪些父代、以及如何编排搜索步骤。
50%待验证HEMO 采用单模块更新的设计以降低搜索空间的耦合度，使每次改动的效果更容易归因。
50%待验证HEMO 使用折扣 UCB 调度器，根据各模块效用的变化把适应资源导向更有希望的模块。
50%待验证HEMO 使用持久化记忆文件系统，跨 harness 状态保存候选结果与诊断反馈，使后续状态能基于此前积累的优化经验。
50%待验证HEMO 在八项 MOCO 任务和两种结构不同的进化骨架上进行了验证。
50%待验证实验结果显示 HEMO 相比传统进化方法、神经网络方法以及基于 LLM 的 AOD 基线均有较强表现，并且能有效迁移到相关任务。
50%待验证HEMO 的代价是系统复杂度上升，模块更新与调度带来的额外开销如何随任务规模变化仍需后续工作回答。
50%