定义搜索空间和决策变量

为 AlphaEvolve 应用场景定义搜索空间和决策变量需要将问题正确地表述为代码，并提供可供进化启发法迭代和改进的有效基准解决方案。

此流程包括：

  • 提供目标上下文：为优化用例确定背景、网域规则和性能边界。

  • 提供清晰的基准：提供清晰且结构良好的代码，正确实现目标问题的基准解决方案。

  • 标记自由度：使用明确的 EVOLVE-BLOCK 注释来注释代码库，以标记智能体可以变异和探索的特定决策变量、逻辑结构或例程，从而找到性能更高的解决方案。

初始计划的结构

初始程序由两种主要块类型组成，用于确定进化搜索的边界：

  1. 不可变代码块：限制搜索空间或执行不影响解决方案性能的任务（例如标准预处理步骤或数据处理例程）的样板代码、辅助函数和依赖项。

  2. 可变代码块 (EVOLVE-BLOCK)：包含特定决策变量、逻辑结构或分析表达式的目标区域，智能体可以探索和更改这些区域。

    import numpy as np
# Code to constrain the search space (Immutable)
def def_preprocessing():
    """Feature engineering and preprocessing."""
    pass

# EVOLVE-BLOCK-START
# Mutable block: Provides degrees of freedom for AlphaEvolve to optimize
def model_tuning():
    """Model tuning function: parametrized to take features."""
    pass
# EVOLVE-BLOCK-END

# Boilerplate code that does not impact solution performance (Immutable)
def batch_predictions():
    """Inference function: batch predictions to test performance."""
    pass

限制搜索空间方面的最佳实践

您如何安排不可变导入并明确放置演变块，这会显示 AlphaEvolve 的操作边界。

管理库导入和依赖项

AlphaEvolve 无法自行确定哪些外部库适用于您的生产环境。

允许开放式探索：如果任何机器学习或数学软件包都可以接受，以最大限度提高指标，请将导入语句放在可变 EVOLVE-BLOCK 内。这样一来，AlphaEvolve 就可以自由地替换替代框架（例如将 sklearn 替换为 TensorFlow 或 xgboost）。

强制执行严格的工具链：如果所有模型都必须来自特定软件包，请在 evolve 块之外将该软件包声明为不可变导入。如果 AlphaEvolve 在搜索期间需要该软件包中的其他内部模块，它仍然可以在其可变空间内本地导入这些模块，而不会违反全局约束。

避免搜索空间过于受限

在初始程序或用户提供的其他文本上下文中，尽可能将硬性限制条件制定为不可变的代码块。这样可以最大限度地降低智能体探索结构上不可行的解决方案的几率。

不过，请勿将搜索空间缩小到进化方法变得多余的程度。例如，强制 AlphaEvolve 仅使用单参数线性回归会将问题简化为标准网格搜索实用程序可以解析的狭窄配置空间。请改用软约束作为评估标准中的负惩罚，以引导探索，而不会扼杀探索。

针对特定目标的战略性广告组放置

更改 EVOLVE-BLOCK 的范围会改变流水线的整个优化目标：

优化样本外 (OOS) 校准：如果您的目标是广泛的算法发现，请将整个模型调优和初始化例程封装在代码块中。

优化结构拟合度：如果您想保留线性框架，但要发现复杂的分析表达式或自定义数学转换，请将可变块严格隔离在特征转换逻辑周围，同时保持下游模型架构固定不变。

保留模块化层次结构 (HDL/Verilog 示例)：在优化结构化代码块配置时，请务必将 EVOLVE-BLOCK-START 和 EVOLVE-BLOCK-END 标记放在模块定义边界内。这样可以防止搜索启发式方法做出结构上无效的移动，例如尝试用多个未映射的浮动子模块替换单个完全包含的模块。