组合优化问题
扫地机器人路径优化问题
一键配置（需要提前登陆）
问题背景
本问题来自 ALE-Bench 中的 ahc027 任务，是一类具有挑战性的动态路径优化问题，融合了旅行商问题（TSP）、最小延迟路径（Minimum Latency）、周期清洁路径（Recurring Routing）等要素。因其高度动态性和周期性耦合特性，成为测试组合优化系统收敛能力与算法多样性的理想任务。
问题介绍
扫地机器人路径优化问题（Recurring Cleaning Route）是一个动态巡回优化问题，扫地机器人需要在一个NxN的有墙壁的方格板上清洁，每个方格有不同的“脏污易感度”，扫地机器人会沿固定路线循环清洁。每次移动，到达的方格脏污度清零，其他方格脏污度按其易感度增加。路线需(0,0)出发返回(0,0)，至少访问所有方格一次，最终总的长度不超过10万。扫地机器人的目标是找到一条路线，使长期循环清洁后的平均总脏污度最小。
应用场景
在工业巡检与安防监控领域，自动巡检机器人往往在大型工厂、矿井、电站等环境中执行高频巡逻任务，对温度异常、电力故障、设备老化等潜在风险点进行持续监测。合理规划其巡检路径不仅能确保高风险区域的优先访问，还能在有限电量与路径预算下实现覆盖效率最大化，避免重复绕行或关键点遗漏。
在仓储物流与移动补货系统中，任务的核心是高频次、低延迟地响应货物补给与拣选需求。通过借助此类优化策略，补货机器人能够合理安排补货顺序与再访问节奏，将热门货架与出货口设置为“高频访问区”，实现库存更新与通道资源的最优利用，极大提升系统响应速度与运营效率。
在现代农业场景中，如智能喷洒与作物监测，机器人或无人车需周期性地覆盖田块执行病虫害识别、精准喷药与水肥管理等任务。面对作物间异质性与多样化成长速率，路径优化能够引导设备在不遗漏任何区域的前提下，适当提高对易感染区域或特殊作物的覆盖频率，减少资源浪费，提升产能稳定性，助力精准农业的可持续落地。
伐谋成果
ALE-Bench由一系列计算复杂、无精确解的组合优化问题组成，用于评测AI agent在长时序、多目标任务中的自主优化与推理能力。伐谋 Agent 在 ALE-Bench上综合得分为 1976.3，达到最新最优水平（SOTA），超过专用的 ALE-Agent（1879.3）5.2%，充分展示了伐谋 Agent 在复杂优化与长时推理任务中的卓越表现与持续进化能力。 在该问题中，伐谋 Agent 探索出了基于图搜索与启发式贪心结合的算法，实现了AI SOTA。具体而言，算法先利用BFS计算所有节点间最短路径，再用DFS生成初始全覆盖路线；随后根据清洁收益、上次访问时间与移动代价设计启发式评分函数，贪心选择下一个目标，实现路径动态优化与高效覆盖。
天平平衡问题
一键配置（需要提前登陆）
问题背景
天平平衡问题源自 ALE-Bench 中的典型组合优化任务（ahc025），本质是一个在不完全信息条件下进行推理与决策的 NP-hard 问题。它兼具搜索复杂性、推理不完备性与不确定性管理，在实际应用中具有广泛的启发意义。
问题介绍
在该问题中，系统需要在 有限的天平比较次数内，将若干未知重量的物品划分为若干组，使各组总重量尽可能相等。每次比较只能得到“哪边重”或“是否平衡”的相对信息，因此算法必须在信息稀缺的状态下构建合理的重量推断模型，并做出全局最优的分组策略。该任务融合了组合优化、启发式搜索与不完全信息下的因果推理挑战。
应用场景
在分布式系统与云计算环境中，调度系统往往无法实时获得所有计算节点的精确信息，例如 CPU 负载、内存压力或网络延迟等。在这种不完全信息的约束下，如何通过有限的探测或性能测试，推断节点间的相对负载能力，并动态完成高质量的任务分配，是保障系统稳定性与吞吐效率的关键。天平平衡问题的结构与这一挑战高度一致：系统需要在有限的“比较次数”内了解节点相对状态，并完成最优分组，从而实现整体负载均衡。
在科学实验与工业质量检测中，实验成本或检测时间往往极高，系统不可能对所有样本进行全量测试，而是需要通过有限次数的“对比试验”快速获取有价值的信息。这与天平问题中的“比较一次只获得部分相对信息”高度对应。通过合理设计试验顺序与对照关系，系统能够在最小成本下快速推断样本的属性等级，实现高效筛查、异常检测或批次分组。这类策略在药物筛选、材料研究、制造业质检等场景中尤为重要，可显著提升信息获取效率并降低整体测试成本。
伐谋成果
ALE-Bench由一系列计算复杂、无精确解的组合优化问题组成，用于评测AI agent在长时序、多目标任务中的自主优化与推理能力。伐谋 Agent 在 ALE-Bench上综合得分为 1976.3，达到最新最优水平（SOTA），超过专用的 ALE-Agent（1879.3）5.2%，充分展示了伐谋 Agent 在复杂优化与长时推理任务中的卓越表现与持续进化能力。 在该问题中，伐谋 Agent 探索出了一种自适应混合连续优化算法，实现了AI SOTA。具体而言，在高查询场景（称量次数充足）下，算法采用基于比较排序的精确分组与迭代平衡，实现稳定且可解释的最优划分；在低查询场景（称量次数受限）下，引入伪权值估计、模拟退火与启发式查询微调的连续优化流程，以有限信息逼近平衡最优。