如要判斷應用實例是否適合 AlphaEvolve，請根據下列三項考量重點進行評估。
問題表述可行性：
評估將問題表示為演算法最佳化問題的難易度。
直接最佳化程式碼：問題涉及直接最佳化程式碼效能。
- 合適度：可能適合。
一般數學搜尋或組合最佳化：決策變數和可行解決方案的限制，可以描述為標準程式設計語言中的程式，並由一組對應的單元和功能測試支援。這適用於大多數數學最佳化用途。
- 合適度：可能適合。
採用獨特資料模態的專業數學搜尋：最佳化作業涉及無法在電腦程式中以參數和變數表示的資料模態 (例如蛋白質結構、基因體資料，或圖片和影片內容最佳化)。
- 合適度：不適合。建議改用特定領域的最佳化模型或代理，例如生命科學領域的 AlphaFold 或 AlphaGenome，或行銷和創意用途的 GenMedia 代理。
請先確認問題的核心邏輯和限制條件可以完全轉換為程式碼，再繼續操作。
最佳化問題複雜度：
評估最佳化問題的複雜度是否符合 AlphaEvolve 的能力。
演算法探索和最佳化：評估設計空間的複雜度，找出可能正確的程式：
設計選擇範圍狹窄且定義明確：不適合。
指數級或無限制的設計選擇：可能適合。
一般數學搜尋和組合最佳化
評估可行決策變數和目標函式的性質：
凸、線性或兩者兼具的目標函式：不適用。
非凸、高度非線性或兩者兼具的目標函式：可能適合。
當精確求解器遇到組合擴充限制時，AlphaEvolve 可提供最高的投資報酬率。
評估可行性和執行階段：
判斷是否能在合理的時間範圍內 (通常為幾分鐘)，評估建議解決方案的效能。
如果程式碼問題龐大複雜，在本機或個別 Cloud Run 機器上執行耗時過長，可以使用 AlphaEvolve HPC 解決方案。這項解決方案是透過 Cluster Toolkit 部署，並使用 Batch 和 Cloud Build，在高效能資源機型上平行執行評估作業。詳情請參閱「AlphaEvolve HPC 解決方案」。
如果解決方案驗證指標和最佳化目標可透過下列任一方法評估，則該用途就適合使用：
確定性計算：使用公式或基準執行階段測試，以分析方式計算。
以資料為準的預估：透過驗證樣本外測試資料集，或使用專門的模擬工具和模型進行模擬，來預估資料。
基礎架構測試：直接在目標基礎架構元件上，使用負載測試和效能測試進行評估。
快速、自動化且具確定性的評估迴圈，是成功進行演化搜尋週期的關鍵。