AlphaEvolve 總覽

AlphaEvolve 是專門的 AI 程式設計代理，會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-complete 或 NP-hard 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確運作，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 (非功能性) 效能標準。

代理會使用先進的演化啟發式演算法，搜尋所有可能的演算法設計選擇和數學決策變數空間。這樣一來，AlphaEvolve 就能找出新的程式，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

在下列情況下，您無法使用 AlphaEvolve：

• 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。
• Linting 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 Linting 清理程式碼。

AlphaEvolve 專為需要創新設計和執行圖，才能最佳化程式碼的情境而設計。這項技術旨在搜尋龐大的設定空間，找出所有功能正確的可能解決方案，但只有一部分符合必要的整體效能標準。

最佳化求解器和啟發式演算法的範圍

下表列出 AlphaEvolve 與傳統最佳化求解器和啟發式演算法的對應關係。

Solver 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
具有連續變數的凸函數最佳化方法	線性規劃 二次規劃 非線性規劃 非凸函數最佳化	單純形法 內點法	不適合。 現有演算法可提供精確的解決方案，且效能可能優於 AE。
梯度式方法		梯度下降法 (隨機梯度下降和相關方法) 擬牛頓法 (BFGS、L-BFGS)
數學程式設計和形式化方法 (即「傳統」作業研究方法)	整數規劃 混合整數線性規劃 約束滿足問題	KKT 式方法 限制放寬 (本身並非演算法，而是多種演算法採用的方法) 對偶性和拉格朗日法 分支定界 分支切割	可能適用。 此外，AE 也能用來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 也能用來擴充或調整現有工具。
貝氏最佳化	目標函式不明或不透明的問題。 調整機器學習管道	以高斯過程為基礎 樹狀 (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 (無法拆解成一組離散決策變數) 最佳化工具用途	AlphaEvolve FunSearch (舊版)	絕對適用。 (直接做為最佳化方法，或用於改善現有的貝氏最佳化方法)