伐谋使用流程

伐谋采用了可视化、用户友好的方式，将算法迭代这个复杂的过程分解为三个配置步骤，用户可以通过看板即时看到演进路径：

现在以一个经典的非凸几何优化中“点距离比优化问题”进行案例说明。

该问题目标是核心目标是在2维空间中找到16个点，使得两点之间的最大距离dmax与最小距离dmin的比值最小化。难点在于目标函数非凸、距离关系强耦合，点的微小移动都会改变整体最优性，传统方法极易陷入局部最优。

这类问题在无线通信与传感网络布局优化、材料与纳米结构排布设计优化等领域有重要价值。

伐谋agent在该问题中探索出了一种混合多起点连续优化策略，算得最优比值，超越 AlphaEvolve 的历史最优纪录

伐谋agent在点距离比优化问题（d=2, n=16）上的结果

第一步：任务配置

1.任务创建与命名：进入系统操作界面，直接点击“+新任务”按钮，快速开启新任务创建流程。为便于后续管理与识别，请为任务设定一个简洁、准确且能反映核心内容的名称（名称仅支持常用汉字、字母、数字和下划线）

2.基础资源准备：

• 文件夹操作：您既可以选择上传本地已有的初始文件夹，该文件夹应包含与任务相关的基础资料和数据；也能在系统内新建一个文件夹，为任务搭建独立的存储空间。

• 选择待改进算法（可选择改进一部分代码）：在文件夹中选择一个待改进算法（仅支持py.文件），选择之后“待优化算法”会在下方单独显示。若您想优化部分片段，可使用 # EVOLVE-BLOCK-START 和 # EVOLVE-BLOCK-END 注释符号标记待优化算法片段，后续迭代演化将仅覆盖被标记区域，不添加注释默认优化整个文件。配置之后，点击“继续”

3.评估器与数据准备：

• 评估器文件：上传或新建一个评估器文件，此文件将用于后续对生成的算法进行准确评估，确保优化方向符合业务要求。

• 配套资源上传：在上传评估器文件的过程中，若评测过程需要特定的数据集和仿真环境文件，您可一并上传。这些资源将为算法评测提供真实、有效的环境，保证评测结果的可靠性。（当仿真环境越接近真实环境，即噪音较低，评估效果越优）

  • 数据集：数据集即为优化算法运行所依赖的输入数据，它包含了算法任务所需的数据资源
  • 仿真环境：可理解为一个评估器执行的环境，支持用户上传任务对应的镜像文件。目的是提供给算法一个真实、可调用的运行环境。

4.补充背景与参数设定：

• 设定优化目标：使用清晰、明确的提示词详细描述算法优化任务的目标。同时，您可以补充相关业务背景信息、优化策略以及专家资料，帮助系统更深入地理解您的需求，从而提供更精准的优化方案。

针对案例中的点距离比优化问题数学问题，“内容与优化目标”是：

1### Task  
2
3You need to improve an algorithm that constructs optimal point configurations in 2D space to minimize the ratio between maximum and minimum pairwise distances.
4
5**Requirements**:
61. **Implement a construction algorithm** that places exactly 16 points in 2D space
72. **Minimize the objective function**: R = d_max / d_min
83. **Provide a `run_construction()` function** that returns the coordinates of the 16 points and the achieved ratio
9
10**Target**: AlphaEvolve has achieved 16 points with ratio ≈ √12.889266112. Your goal is to exceed this results.
11
12### Mathematical Background
13
14The problem involves finding 16 points in 2-dimensional space ℝ² such that the ratio R = d_max / d_min is minimized, where:
15- d_max is the maximum pairwise distance between any two points
16- d_min is the minimum pairwise distance between any two points
17- The goal is to minimize R = d_max / d_min
18
19### Optimization Methods
20
21You could consider several approaches for constructing optimal point configurations:
22
231. **Incremental Construction**: Add points one by one, optimizing the position of each new point to minimize the current ratio
242. **Planned Construction**: Use certain systematic approaches to place points optimally
253. **Hybrid Approaches**: Combine incremental and planned methods for better results
26
27NOTE: You should only change the content between # EVOLVE-BLOCK-START and # EVOLVE-BLOCK-END!

类似这种数学问题，您的“算法内容和优化目标”部分可以分为以下5个核心部分：

1### Task
2简洁描述目标任务 + 输出目标 + 优化目标函数
3
4### Requirements
51. 输入/输出格式要求（点数、函数名等）
62. 约束条件（例如只允许二维、点不可重合等）
73. 评估标准（例如 R 值最小）
8
9### Target (Baseline Performance)
10已知优秀结果 / 系统基准，用于比较算法优劣
11
12### Mathematical Background
13形式化数学目标，定义目标函数、变量、度量指标
14
15### Optimization Strategies (optional)
16提供可选策略建议（增量法、构造法、进化算法、几何启发等）

• 参数自定义：根据业务对优化程度的要求和预算限制，自定义最大演化轮次、种群规模、岛屿数量等关键参数。这些参数将直接影响算法演化的探索时长、结果多样性和鲁棒性。例如，增大最大演化轮次可能会提高找到更优解的概率，但也会增加计算时间和资源消耗；合理设置种群数量和岛屿数量可以在保证演化效率的同时，维持解的多样性。当任务达到最大演化次数时，系统将自动停止演化。

  • 最大演化次数：该参数决定算法最多迭代多少代后终止。当您希望得到更高质量的最优解时，可适当提升演化次数，但也会带来更长的运行时间。该参数的取值范围是[50,1000],一般问题建议您在[200,600]中取值。
  • 种群规模：表示全局基因库的数量。该参数取值范围是[10,200]
  • 岛屿数量：表示同时演化的多个独立种群数量。各岛屿会周期性交换个体，以提升种群多样性和全局搜索能力。该参数取值范围为[2,8].

为确保每个岛屿具备足够的演化个体，请合理设置种群规模与岛屿数量的比例。每个岛屿的种群数=种群规模/岛屿数量，一般推荐每个岛屿至少包含20个体，过小的个体数可能导致算法早期收敛、缺乏多样性，不利于获得最优解。

在本次案例中，最大演进次数是200次，种群规模是100，岛屿数量是4。

5.可行性判定：在开始优化之前，系统会对任务进行全面的可行性判定，检查待优化算法是否可执行、任务配置是否合理、资源是否充足等。这个过程大约需要1 - 2分钟，请您耐心等待系统给出判定结果

第二步：任务执行

1.冷启动与初始解生成：“伐谋”系统将针对您配置的优化任务进行快速冷启动，结合内置的coding agent，人机协同生成具有较高质量的初始解集。这些初始解将为后续的算法演化提供良好的起点。

2.算法演化与实时监控：

• 演化阶段开启：初始解构造完毕后，点击“继续演化”，您即可正式进入算法演化阶段。系统将按照您设定的参数和优化策略，对算法进行持续迭代优化。

• 实时观测：在“迭代演化”界面中，您可以实时查看演化路径和进度，了解算法在当前轮次下的优化情况和性能提升。同时，在任务执行的任意进程中，您都可以单击左侧排名节点或演化树的具体节点，“在IDE中查看“跳转到IDE Tab查看代码详情，深入分析算法的优化过程和实现逻辑，以便及时发现问题并进行调整。

第三步：任务完成

任务终止与报告生成：当任务达到您预设的最大演进次数后，系统将自动停止演化，标志着任务圆满完成。此时，系统会生成一份详细的洞察报告，该报告涵盖了算法优化过程中的各项关键数据、性能指标变化情况以及最终的优化结果。通过这份报告，您可以全面了解算法优化的效果和价值，为后续的业务决策提供有力支持。