如需确定用例是否适合 AlphaEvolve，请根据以下三个关键考虑因素对其进行评估。
问题公式化可行性：
评估将问题表示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。
- 适用性：可能非常适合。
一般数学搜索或组合优化：可行解的决策变量和约束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。
- 适用性：可能非常适合。
具有独特数据模态的专用数学搜索：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、基因组数据或图片和视频内容优化）。
- 适用性：不适合。请考虑使用特定于网域的优化模型或代理，例如生命科学领域的 AlphaFold 或 AlphaGenome，或者营销和创意用例的 GenMedia 代理。
在继续之前，请确保问题的核心逻辑和约束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：评估潜在正确程序的设计空间的复杂性：
设计选择范围狭窄且明确：不适合。
设计选择范围呈指数级增长或无界：可能非常适合。
对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：不适合。
非凸、高度非线性或两者兼有的目标函数：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）衡量建议解决方案的性能。
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。此解决方案使用 Cluster Toolkit 进行部署，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以分析方式计算。
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，或使用专用模拟工具和模型进行模拟。
基础架构测试：直接使用目标基础架构组件上的负载测试和性能测试进行衡量。
快速、自动化和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。