Современные технологии искусственного интеллекта стремительно трансформируют подходы к решению сложнейших алгоритмических задач. Особое внимание уделяется области развития и эволюции программных решений благодаря великим языковым моделям (LLM, Large Language Models), способным не просто выполнять код, а создавать и усовершенствовать его. Одним из пугающих новшеств в этой сфере стал проект Optiverse, представленный в июле 2025 года. Optiverse – это Python-библиотека, которая предлагает уникальный подход к эволюции алгоритмов через итеративное совершенствование решений с помощью LLM. Вдохновленная успехами DeepMind и их нейросетевого AlphaEvolve, данная библиотека открывает пути к автоматизированному развитию программных решений, предлагая пользователю возможность задавать проблему и оценочную функцию, после чего система начинает генерировать, оценивать и совершенствовать варианты, опираясь на результаты предыдущих итераций.
Один из первых экспериментов с Optiverse был проведен на классической задаче коммивояжера (TSP, Traveling Salesman Problem). Эта задача давно привлекает внимание исследователей, поскольку имеет огромный коммерческий и теоретический интерес – нужно найти кратчайший маршрут, позволяющий посетить каждый город ровно один раз и вернуться в исходную точку. Сложность задачи усугубляется растущим числом возможных маршрутов с увеличением числа городов, что требует эффективных эвристик. Принцип работы Optiverse сводится к тому, что пользователь описывает задачу на специализированном языке и предоставляет функцию оценки, а система занимается генерацией и постепенным улучшением исходного кода. В случае TSP базовое решение представляло собой случайную перестановку городов на маршруте.
Эта простейшая версия решателя служила отправной точкой. Основным критерием оценки выступала средняя длина тура при многократном запуске решения на реальном экземпляре задачи с 280 городами и лимитом времени в 30 секунд для каждого запуска. Результаты, полученные с помощью Gemini 2.0 Flash, показали впечатляющие показатели: лучший сгенерированный алгоритм обеспечивал длину маршрута всего на 1% больше оптимальной – 2605 в сравнении с идеальным значением 2579. Самым примечательным в работе Optiverse стала способность создавать эффективный код, который включал в себя не только аккуратный подсчет расстояний с помощью предварительно сформированной матрицы, но и реализацию одной из лучших известных эвристик – 2-opt.
Применение именно 2-opt позволило значительно повысить производительность алгоритма за счет подсчета только изменений длины маршрута при перестановках, вместо пересчета всей длины каждой итерации. Также в сгенерированном коде была реализована тактика периодического возмущения текущего решения, что помогало исследовать более разносторонние области пространства и избегать застревания в локальных оптимумах. Более того, в коде учитывалось ограничение по времени, что позволяло гарантировать отсутствие репортинга новых решений после истечения лимита и тем самым предотвращало игнорирование результатов. За основу работы алгоритма бралась концепция распределения вероятностей для выбора стартовых городов, основанная на их расстоянии от центроида расположения всех точек. Эта деталь позволяла избежать случайного выбора стартов и повысить шанс нахождения качественного начального маршрута, который затем улучшался путем применения комбинации ближайшего соседа (Nearest Neighbor) и оптимизации 2-opt.
Оптимизация параметров, таких как количество стартовых городов или порог изменения длины маршрута для применения swap-операций, выполнялась плавно по мере каждой итерации, что обеспечивало более тонкую адаптацию под конкретный экземпляр задачи. Благодаря такой адаптивности и системному подходу к эволюции кода, Optiverse смог сгенерировать достаточно сложный и оптимизированный алгоритм, способный конкурировать с классическими решениями, написанными экспертами. Несмотря на то, что Optiverse не вывел принципиально новый метод для решения TSP, он доказал свою эффективность, генерируя комплексные и практически жизнеспособные решения с нуля в течение фиксированного количества итераций. Стоит отметить, что подход Optiverse предполагает перспективы не только в решении задач коммивояжера, но и в других сферах, где классические методы требуют сложной настройки или адаптации под задачи и данные, которые меняются со временем. Тенденция использования искусственного интеллекта для автоматической генерации и улучшения кода открывает возможности для ускорения разработки, снижения влияния человеческих ошибок и создания более устойчивых к ошибкам систем.
Сочетание моделирования и эволюционного анализа, реализованное в Optiverse, объединяет преимущества машинного обучения и алгоритмического программирования, делая такие технологии доступными для широкой аудитории разработчиков и исследователей. Высокие результаты в эксперименте с TSP показывают, что такая эволюционная платформа обладает потенциалом трансформировать способ создания программных решений в ближайшем будущем. Optiverse выражает новую эпоху, когда машины не только выполняют код, но и выступают в роли соавторов технических решений, постоянно самообучающихся и совершенствующихся. Этот проект является ярким примером того, как развитие больших языковых моделей становится катализатором инноваций в области программирования и оптимизации сложных задач. В перспективе подобные системы смогут существенно расширить возможности инженеров и аналитиков, предоставляя не просто инструменты исполнения, а интеллектуальных партнеров в процессе разработки, анализа и адаптации программных продуктов для самых разнообразных условий и требований.
В итоге Optiverse демонстрирует, что комбинирование LLM с эволюционными методами – это не просто футуристическая концепция, а уже сейчас мощный инструмент, улучшающий качество и эффективность решения востребованных задач планирования, оптимизации и многих других направлений вычислительной математики.
