AlphaEvolve 總覽

AlphaEvolve 是專門的 AI 程式碼編寫代理程式，可使用演化方法解決演算法探索、數學搜尋和組合最佳化用途。特別適合用於 NP 完全或 NP 困難最佳化問題。

AlphaEvolve 的主要輸入內容是特定程式設計語言的程式碼區塊，用於定義需要解決的演算法探索或組合搜尋用途。輸入的程式碼應能正常運作，但仍需最佳化，才能符合一組使用者指定評估指標定義的特定全域 (非功能) 效能標準。

代理程式會使用最先進的演化啟發式方法，在所有可能的演算法設計選擇和數學決策變數空間中搜尋，AlphaEvolve 就能找出新程式，逐步提升目標最佳化目標的成效。

AlphaEvolve 會在多個連續世代的候選程式中反覆執行這項啟發式演算法，直到找到符合用途整體效能目標的全新解決方案。

不適合使用 AlphaEvolve 的情況

AlphaEvolve 不適用於下列情況：

• 基本程式碼生成：AlphaEvolve 不是一般用途的開發人員助理 (例如 Gemini CLI 或程式設計助理)。它不會接受純自然語言描述或不完整、無法運作的程式碼，來輸出基準功能程式碼。
• 程式碼檢查和程式碼樣式：AlphaEvolve 不適用於基本程式碼最佳化，例如根據軟體工程最佳做法或標準程式碼檢查清理程式碼。

AlphaEvolve 專為需要創新設計和執行圖的程式碼最佳化情境而設計。這項技術旨在搜尋可能的解決方案，這些解決方案在功能上都正確無誤，但只有部分符合全球效能標準。

最佳化求解器和啟發式演算法的範圍

下表列出 AlphaEvolve 相對傳統最佳化求解器和啟發式演算法的適用範圍。

解題工具類別	這類求解器通常可解決的問題類型	演算法範例	是否適用 AlphaEvolve？	AlphaEvolve 差異化功能
使用連續變數的凸函數最佳化方法	線性規劃 二次方規劃 非線性規劃 非凸最佳化	單純形法 內部點方法	不適合。 現有演算法可提供精確的解決方案，且可能比 AE 更有效。
梯度式方法		梯度下降法 (SGD 和相關方法) 擬牛頓法 (BFGS、L-BFGS)
數學規劃和正式方法 (即「傳統」或「經典」方法)	整數規劃 混合整數線性規劃 限制條件滿足問題	KKT 式方法 限制條件放寬 (本身不是演算法，但多種演算法都會使用這種方法) 對偶性和以拉格朗日為基礎的方法 分支定界 分支和剪切	可能適用。 此外，AE 可用於擴充或調整現有工具。
元啟發式搜尋方法	不規則 / 不可微分目標函式的問題。 線上最佳化問題	基因演算法 演化搜尋 模擬退火 粒子群最佳化	可能適用。 此外，AE 可用來擴增或調整現有工具。
貝氏最佳化	未知或不透明方塊目標函式的問題。 調整機器學習管道	以高斯程序為準 以樹狀結構為基礎 (TPE、SMAC)	絕對適用。
LLM + 採用元啟發式搜尋的代理	程式碼和演算法最佳化用途 非結構化 / 語意搜尋空間的問題 (無法拆分為一組離散決策變數) 最佳化工具用途	AlphaEvolve FunSearch (舊版)	絕對適用。 (可做為直接最佳化方法，或用來改善現有的貝氏最佳化方法)