Robopol Refined začal ako veľmi silná metóda pre problém obchodného cestujúceho. Postupne sa však ukázalo, že jeho jadro nie je viazané iba na TSP. V skutočnosti ide o univerzálny guided-search engine, ktorý vie pracovať s rôznymi kombinatorickými problémami, ale aj s vedeckými hypotézami, ak mu dáme správny adaptér, hodnotenie riešení, lokálnu štruktúru problému a externý verifier.

Od TSP k univerzálnemu jadru

Pri TSP má algoritmus veľmi prirodzený priestor riešení: permutáciu miest a hrany medzi nimi. Robopol Refined tam dokáže so silným edge-guided adaptérom dosahovať kvalitu porovnateľnú s najlepšími špecializovanými heuristikami a už reálne funguje v online TSP Solveri. To je dôležitý signál: ak rovnaký princíp funguje na probléme, kde desaťročia dominujú špecializované algoritmy typu LKH, potom nejde iba o náhodný trik pre jednu úlohu.

Základná myšlienka je oddeliť všeobecné prehľadávacie jadro od časti, ktorá je špecifická pre konkrétny problém. Jadro rieši, ako držať viac kandidátnych riešení, ako ich vylepšovať, ako pracovať so stagnáciou a ako skúšať nové oblasti priestoru. Adaptér rieši, čo je platné riešenie, čo je susedný krok, čo znamená dobrá hrana alebo lokálna väzba a ako sa meria kvalita.

Čo robí Refined univerzálnym

Mnohé ťažké úlohy majú rovnaký praktický problém: priestor riešení je obrovský, optimálne riešenie je drahé alebo nereálne spočítať a jednoduché greedy heuristiky sa rýchlo zaseknú. Refined je navrhnutý ako silná metaheuristika nad týmto priestorom. Nehľadá len jeden lokálny smer, ale drží viac kandidátov, skúša kontrolované perturbácie, zlepšuje časti riešenia a vracia sa k najlepším nájdeným konfiguráciám.

Verejne je dôležitý najmä princíp, nie presný recept. Refined je prakticky užitočný preto, že dokáže kombinovať všeobecné vyhľadávanie s malou dávkou znalosti problému. Táto znalosť nemusí byť obrovská. Niekedy stačí vedieť, ktoré prvky riešenia spolu pravdepodobne súvisia, ktoré presuny sú rozumné a ktoré časti riešenia sa oplatí meniť opatrne.

Čo je na Refined unikátne

Refined nie je unikátny jedným tajomným trikom. Jeho sila je v architektúre: všeobecné jadro drží viac smerov hľadania naraz, vie sa vracať k silným kandidátom, vie kontrolovane skúšať odbočky a pritom využíva len toľko doménovej znalosti, koľko mu bezpečne poskytne adaptér. Preto sa dá preniesť z TSP do JSSP, QAP, grafových úloh, hier alebo vedeckých verifier experimentov bez toho, aby sa vždy písal celý nový solver od nuly.

Dôležitá je aj hranica medzi verejným princípom a interným know-how. Článok zámerne nepopisuje presné rankingové vzorce, rozpočtové pravidlá, detaily perturbácií, interné prahy ani konkrétne ladenie adapterov. Verejne stačí vedieť, že Refined kombinuje návrh kandidátov, lokálne zlepšovanie, diverzitu, doménové signály a externé overenie do jedného riadeného procesu.

Kde dáva zmysel

Refined je vhodný najmä tam, kde riešenie vieme opísať ako kombináciu rozhodnutí, poradie, priradenie, výber, grafovú štruktúru alebo postupnosť krokov. Nie je to iba TSP. Rovnaké jadro sa dá použiť na plánovanie výroby, JSSP, rozvrhovanie, priraďovanie úloh, packing, set cover, graph coloring, max-cut, QAP, niektoré matematické optimalizačné úlohy, hľadanie vedeckých hypotéz s verifierom a dokonca aj ako meta-vrstva nad herným vyhľadávaním.

Pri hrách je zaujímavý najmä hybridný scenár. Silný engine alebo evaluator vie rýchlo ohodnotiť konkrétne možnosti, zatiaľ čo Refined môže riadiť širšie skúšanie kandidátnych variantov. V Reversi to znamená napríklad kombináciu s existujúcim hodnotením typu Edax. V Robopol Reversi už Refined reálne funguje ako vrstva nad Edax hodnotením a v našich testoch dokáže dosahovať lepšie výsledky než samotný Edax. Refined teda nehrá namiesto evaluátora, ale používa ho ako jeden zo zdrojov signálu pri hľadaní lepšieho ťahu.

Rovnaký princíp je zapojený aj v šachu. V Robopol Chess pracuje Refined ako vrstva nad Stockfishom: Stockfish dodáva silné šachové hodnotenie, zatiaľ čo Refined riadi širšie skúšanie kandidátnych ťahov, línií a rozhodovacích variantov. Nie je to náhrada Stockfishu, ale spôsob, ako nad silným enginom postaviť ďalšiu vrstvu riadeného hľadania.

Minimá funkcií a black-box optimalizácia

V repozitári refined_engine je už aj príklad function_minimization, kde sa rovnaké jadro používa na hľadanie miním funkcií. Testované sú Rastrigin, Ackley, Rosenbrock a vlastná rugged funkcia s množstvom lokálnych údolí. Toto je dôležité, pretože ukazuje, že architektúra nemusí byť zviazaná len s permutáciami alebo čistou kombinatorikou.

V jednom strong profile behu Refined našiel optimum pri Rastrigin a Ackley, pri Rosenbrock bol prakticky na nule a pri rugged funkcii zlepšil lokálne hľadanie z hodnoty -1.366921 na -1.874719. Ďalší príklad mixed_integer_black_box ukazuje, že adaptér vie kombinovať reálne hodnoty, celé čísla a diskrétne módy. To je presne smer, kde môže Refined slúžiť ako univerzálnejší optimalizačný motor.

Refined ako generátor hypotéz

Najzaujímavejší posun je vedecký: Refined nemusí hľadať iba kratšiu trasu alebo lepší rozvrh. Môže hľadať kandidátne objekty, konštrukcie, vzory alebo proti-príklady. Ak k tomu pripojíme externý rigorózny verifier, dostaneme architektúru generator + oracle: Refined navrhuje, verifier kontroluje. To je iný typ nástroja než klasický solver. Nie je to náhrada dôkazu, ale výpočtový motor, ktorý vie systematicky prehľadávať obrovský priestor možností a posúvať verifieru sľubné kandidáty.

Praktický prototyp už beží na dvoch matematických úlohách: Ramsey edge coloring a Hadamard matrix repair. V Ramsey úlohe engine hľadá zafarbenie hrán bez zakázanej monochromatickej kliky. V Hadamard úlohe opravuje ±1 maticu, kým nemá nulovú ortogonálnu chybu. V oboch prípadoch môže byť skóre len približný smer, ale konečné áno/nie dáva presný verifier.

V rýchlych regresných behoch pre Ramsey K8/K10 a Hadamard 8 skončilo 60 z 60 behov overeným výsledkom. Ťažšie sanity behy našli aj Ramsey K17/K4 a Hadamard 16. To ešte neznamená, že máme hotový vedecký objavovací systém, ale ukazuje to smer: refined_engine môže byť praktická vrstva medzi AI agentom, doménovým adaptérom a rigoróznym matematickým alebo fyzikálnym overovačom.

Čo Refined nie je

Nie je to magická náhrada za každý špecializovaný solver. CP-SAT, LKH, šachové enginy alebo špecializované koncovkové databázy majú roky vývoja a pri svojich úzkych triedach problémov často využívajú veľmi špecifické vlastnosti. Refined je iný typ nástroja: univerzálne jadro, ktoré vie rýchlo preniesť silné vyhľadávanie do nového problému bez toho, aby sa pre každú oblasť budoval celý solver od nuly.

Práve v tom je jeho hodnota. Ak existuje dobré hodnotenie riešenia a aspoň jednoduchý spôsob, ako riešenie lokálne meniť, Refined vie poskytnúť veľmi silný základ. Pri lepšom edge-guided adaptéri sa môže dostať veľmi blízko k špecializovaným heuristikám a v niektorých nastaveniach ich aj prekonať, hoci za cenu vyššieho výpočtového času.

Prečo je to zaujímavé pre AI agentov

Moderný AI agent často rozumie zadaniu, ale pri ťažkej kombinatorike alebo vedeckom hľadaní potrebuje výpočtový nástroj, ktorý vie systematicky skúšať veľa možností. Refined môže fungovať ako externý optimalizačný a hypotézový motor: agent popíše problém, pripraví adaptér alebo dátový model, solver hľadá kandidátov a verifier ich kontroluje. To otvára cestu k praktickému použitiu v plánovaní, logistike, optimalizácii procesov, hrách, návrhových nástrojoch, rozhodovacích systémoch a experimentálnej matematike.

Kam smerujeme

Cieľom Robopol Refined Engine nie je tváriť sa, že jeden algoritmus nahradí všetko. Cieľom je mať silné univerzálne jadro, ktoré sa dá napojiť na rôzne problémy cez malé, rozumné adaptéry. V TSP už vidíme, že edge-guided prístup dokáže priniesť výsledky na úrovni špičkových metód. Pri JSSP, QAP, Ramsey/Hadamard verifier úlohách, matematických úlohách a herných experimentoch sa ukazuje, že rovnaká architektúra má širší potenciál.

Robopol Refined started as a very strong method for the Traveling Salesperson Problem. Over time, it became clear that the core is not tied to TSP only. It is a universal guided-search engine that can work with many combinatorial problems, and also with scientific hypotheses, when it receives the right adapter, solution evaluator, problem-specific structure and an external verifier.

From TSP to a Universal Core

In TSP, the solution space is natural: a permutation of cities and the edges between them. With a strong edge-guided adapter, Robopol Refined can reach quality comparable to top specialized heuristics and is already running in the online TSP Solver. That matters. If the same principle works in a domain where methods such as LKH have dominated for years, it is not just a one-problem trick.

The main idea is to separate the general search core from the problem-specific layer. The core decides how to keep multiple candidate solutions, how to improve them, how to handle stagnation and how to explore new regions of the search space. The adapter decides what a valid solution is, what a local move means, what a useful edge or dependency looks like and how solution quality is measured.

What Makes Refined Universal

Many hard problems share the same practical difficulty: the solution space is enormous, exact optimization is expensive or unrealistic and simple greedy heuristics get stuck quickly. Refined is designed as a strong metaheuristic over that space. It does not follow only one local direction. It keeps several candidates, applies controlled perturbations, improves parts of the solution and returns to the best configurations found so far.

Publicly, the important part is the principle, not the complete recipe. Refined is useful because it combines general search with a small amount of problem knowledge. That knowledge does not have to be huge. Sometimes it is enough to know which solution elements are likely to belong together, which moves are reasonable and which parts should be changed carefully.

What Makes Refined Distinctive

Refined is not distinctive because of one mysterious trick. Its strength is architectural: the general core keeps several search directions alive at the same time, can return to strong candidates, can test controlled detours and uses only as much domain knowledge as the adapter safely provides. That is why it can move from TSP to JSSP, QAP, graph tasks, games or scientific verifier experiments without rewriting a full custom solver from scratch every time.

There is also a deliberate boundary between the public principle and internal know-how. This article does not disclose exact ranking formulas, budget rules, perturbation details, internal thresholds or adapter tuning. Publicly, the important idea is that Refined combines candidate proposal, local improvement, diversity, domain signals and external verification into one guided process.

Where It Makes Sense

Refined is most useful when a solution can be represented as a combination of decisions, an order, an assignment, a selection, a graph structure or a sequence of moves. It is not only TSP. The same core can be used for production planning, JSSP, scheduling, assignment, packing, set cover, graph coloring, max-cut, QAP, some mathematical optimization tasks, verifier-backed scientific hypothesis search and even as a meta-layer over game search.

In games, the hybrid scenario is especially interesting. A strong engine or evaluator can score concrete options, while Refined can control a broader search over candidate variations. In Reversi, this can mean combining it with an existing evaluator such as Edax. In Robopol Reversi, Refined is already running as a layer above Edax evaluation and in our tests can achieve better results than Edax alone. Refined does not replace the evaluator, it uses it as one source of signal while searching for a stronger move.

The same principle is also used in chess. In Robopol Chess, Refined runs as a layer above Stockfish: Stockfish provides strong chess evaluation, while Refined controls broader exploration of candidate moves, lines and decision variants. It is not a replacement for Stockfish, but a way to build another guided-search layer around a strong engine.

Function Minima and Black-Box Optimization

The refined_engine repository now also contains the function_minimization example, where the same core is used to search for function minima. The example covers Rastrigin, Ackley, Rosenbrock and a custom rugged objective with many local valleys. This matters because it shows that the architecture does not have to be tied only to permutations or pure combinatorics.

In one strong-profile run, Refined reached the optimum on Rastrigin and Ackley, got practically to zero on Rosenbrock and improved the rugged objective from the local-search value -1.366921 to -1.874719. Another example, mixed_integer_black_box, shows that an adapter can combine real values, integers and discrete modes. That is exactly the direction where Refined can become a more general optimization engine.

Refined as a Hypothesis Generator

The most interesting shift is scientific: Refined does not have to search only for a shorter route or a better schedule. It can search for candidate objects, constructions, patterns or counterexamples. When this is connected to an external rigorous verifier, the architecture becomes generator + oracle: Refined proposes, the verifier checks. This is a different kind of tool from a classical solver. It does not replace proof, but it can systematically search huge spaces and pass promising candidates to a verifier.

A practical prototype already runs on two mathematical tasks: Ramsey edge coloring and Hadamard matrix repair. In Ramsey coloring, the engine searches for an edge coloring without a forbidden monochromatic clique. In the Hadamard task, it repairs a ±1 matrix until it has zero orthogonality error. In both cases, the score can be only an approximate direction, while the final yes/no decision comes from an exact verifier.

In quick regression runs for Ramsey K8/K10 and Hadamard 8, 60 out of 60 runs ended with verified results. Harder sanity runs also found Ramsey K17/K4 and Hadamard 16 solutions. This does not yet mean that we have a finished scientific discovery system, but it shows the direction: refined_engine can become a practical layer between an AI agent, a domain adapter and a rigorous mathematical or physical verifier.

What Refined Is Not

It is not a magic replacement for every specialized solver. CP-SAT, LKH, chess engines and endgame databases have years of engineering behind them and often exploit very specific properties of their target domains. Refined is a different kind of tool: a universal core that can bring strong search into a new problem without building a full custom solver from scratch each time.

That is exactly where its value is. If there is a good solution evaluator and a reasonable way to modify a solution locally, Refined can provide a very strong baseline. With a better edge-guided adapter, it can move close to specialized heuristics and in some settings outperform them, often by spending more computation time.

Why It Matters for AI Agents

A modern AI agent can often understand the task, but for hard combinatorial or scientific search it needs a computational engine that can systematically try many possibilities. Refined can act as an external optimization and hypothesis engine: the agent describes the problem, prepares an adapter or data model, the solver searches for candidates and the verifier checks them. This opens practical use in planning, logistics, process optimization, games, design tools, decision systems and experimental mathematics.

Where This Is Going

The goal of Robopol Refined Engine is not to pretend that one algorithm replaces everything. The goal is to have a strong universal core that can be connected to different problems through small, practical adapters. In TSP we already see that the edge-guided approach can reach the level of top methods. In JSSP, QAP, Ramsey/Hadamard verifier tasks, mathematical tasks and game experiments, the same architecture shows wider potential.