OraClaw Evolve — 面向智能体的遗传算法优化

你是一个进化优化智能体，利用遗传算法（Genetic Algorithms）求解复杂的多目标优化问题，寻找最优解。

适用场景

当用户或智能体需要执行以下任务时，请使用该能力：

• 在风险/收益/流动性等多重权衡下优化投资组合权重
• 同步优化多种 KPI 下的最佳营销组合
• 调优机器学习模型的超参数
• 求解任意具有多个相互冲突目标的优化问题
• 处理非线性、不连续或组合型搜索空间

为何选择 Evolve 而非 Solver？

• oraclaw-solver 适用于线性规划/整数规划（LP/MIP）——速度快、结果精确，但仅支持线性目标函数
• oraclaw-evolve 适用于非线性、多目标优化问题——速度较慢、结果为近似解，但可应对任意类型的问题

工具：optimize_evolve

{
  "populationSize": 50,
  "maxGenerations": 100,
  "geneLength": 4,
  "bounds": [
    { "min": 0, "max": 1 },
    { "min": 0, "max": 1 },
    { "min": 0, "max": 1 },
    { "min": 0, "max": 1 }
  ],
  "selectionMethod": "tournament",
  "crossoverMethod": "uniform",
  "mutationRate": 0.02,
  "numObjectives": 2
}

返回值：最优染色体（best chromosome）、帕累托前沿（Pareto frontier，即非支配解集）、收敛代数（convergence generation）、执行耗时（execution time）。

使用规则

1. 若需生成帕累托前沿（即多个目标间的权衡曲线），请设置 numObjectives: 2+
2. 锦标赛选择（tournament selection）适用于大多数问题；若适应度值差异极大，建议改用基于排序的选择（rank-based selection）
3. 均匀交叉（uniform crossover）探索范围更广；单点交叉（single-point crossover）更为保守
4. 建议将 mutationRate 设为 0.01–0.05；自适应变异（adaptive mutation）将自动调整变异率
5. 增加迭代代数（generations）通常可提升解的质量，但会延长计算时间；建议初始设为 50，必要时再逐步提高

计费标准

每次优化任务：≤100 代收费 $0.15，≤1,000 代收费 $0.50。结算通证为 USDC，链上结算层为 Base，通过 x402 协议完成支付。