Робот в лабиринте шагает в тупик. Через минуту он находит выход раньше всех. Этот алогичный манёвр — разведка, а не ошибка. Так картограф обходит гору, чтобы увидеть её склоны.

Эволюционные алгоритмы в пробирке давно копируют отбор и мутации для поиска лучших решений. Но в обманчивых ландшафтах жадная погоня заводит в тупик. Путник лезет на ближайший холм — а за ним пропасть. Появился поиск новизны: он оценивает не качество, а непохожесть поведения на уже известное. Цель — собрать архив решений (хранилище уникальных вариантов), а не только лучший. Авторы метода MFEA-CoD запускают несколько таких поисков одновременно и учат их не мешать друг другу. Как картографы, которые делят материк на сектора, алгоритмы разделяют пространство генотипов (закодированных описаний решений, как ДНК), чтобы быстрее составить полную карту фенотипов (наблюдаемых характеристик, например, координат робота).

В основе — репульсионный оператор: он отталкивает поисковые траектории разных задач, словно одноимённые магнитные полюса, заставляя исследовать разные участки. Второй механизм — адаптивный перенос решений: если одна задача наткнулась на перспективную область, другие могут этим воспользоваться, но только когда это действительно выгодно. Так возникает танец исследователей: они расходятся по своим курганам и сбегаются к общей находке. Мера новизны — среднее расстояние до K ближайших точек в поведенческом пространстве из архива A: \(\rho(x, A) = \frac{1}{K} \sum_{k=1}^{K} \mathrm{dist}(\phi(x), \mu_k)\). А алгоритм балансирует между качеством и новизной: \(F_{\text{nov-aug}}(x) = w \cdot f(x) + (1-w) \cdot \rho(x, A)\), где коэффициент w регулирует, сколько сиюминутной выгоды можно уступить ради исследования.

Испытания подтвердили: координированный поиск на 15–35% увеличивал итоговый архив решений. В лабиринтах роботы со 100% успехом находили выход в пяти из шести сценариев, а первый работающий маршрут обнаруживали в 1,5–2 раза быстрее одиночек. В симуляторе MuJoCo шагающие роботы Hopper и Walker2d стабильно обгоняли конкурентов. Разница в 375 уникальных поведений — будто на карту неизвестной местности нанесли 375 новых троп.

Такой подход — не трюк для роботов. Он открывает путь для физических симуляций и стохастической оптимизации в инженерном дизайне, открытии лекарств, планировании движений — везде, где ландшафт обманчив, а важнее собрать коллекцию вариантов. Ожидается, что метод масштабируют на сотни задач и гибридизируют с большими языковыми моделями для переноса знаний между дисциплинами. Неведомый материк понемногу проступает на карте — и теперь его чертят не одиночки, а целые экспедиции. Каждый шаг в сторону может стать дорогой к открытию.