如需确定某个用例是否适合 AlphaEvolve，请根据以下三个行动要点对其进行评估。
问题表述可行性：
评估将问题表达为算法优化问题的难易程度。
直接代码优化：问题涉及直接优化代码性能。
- 适宜性：可能适合。
一般数学搜索或组合优化：决策变量和可行解的约束条件可以描述为标准编程语言中的程序，并由一组相应的单元测试和功能测试提供支持。这适用于大多数数学优化用例。
- 适宜性：可能适合。
具有独特数据模态的专业数学搜索：优化涉及无法在计算机程序中表示为参数和变量的数据模态（例如，蛋白质结构、基因组学数据或图片和视频内容优化）。
- 适宜性：不适合。不妨考虑使用特定领域的优化模型或智能体，例如生命科学领域的 AlphaFold 或 AlphaGenome，或者营销和创意用例中的 GenMedia 智能体。
在继续之前，请确保问题的核心逻辑和约束条件可以完全转换为代码。
优化问题复杂性：
评估优化问题的复杂性是否与 AlphaEvolve 的功能相符。
对于算法发现和优化：评估设计空间的复杂性，以找到可能正确的程序：
设计选择范围狭窄且定义明确：不适用。
指数级或无界限的设计选择：可能适合。
适用于一般数学搜索和组合优化
评估可行决策变量和目标函数的性质：
凸、线性或两者兼有的目标函数：不适用。
非凸、高度非线性或两者兼而有之的目标函数：可能非常适合。
当精确求解器遇到组合伸缩限制时，AlphaEvolve 可提供最高的投资回报率。
评估可行性和运行时：
确定是否可以在合理的时间范围内（通常在几分钟内）衡量所提议解决方案的性能。
对于在本地或单个 Cloud Run 机器上运行时间过长的大型复杂代码问题，您可以使用 AlphaEvolve HPC 解决方案。此解决方案通过 Cluster Toolkit 部署，并使用 Batch 和 Cloud Build 在高资源机器类型上并行运行评估。如需了解详情，请参阅 AlphaEvolve HPC 解决方案。
如果可以使用以下任一方法评估解决方案验证指标和优化目标，则用例非常适合：
确定性计算：使用公式或基准运行时测试进行分析计算。
数据驱动型估算：通过针对样本外测试数据集进行验证来估算，或使用专门的模拟工具和模型进行模拟。
基础架构测试：通过对目标基础架构组件进行负载测试和性能测试直接测量。
快速、自动化且确定性的评估循环对于实现成功的进化搜索周期至关重要。