MMJun, 2019

2019 进化算法综述

PDF
TL;DR本文提出了五个新的分类来研究进化算法，这些分类主要关注环境控制、搜索过程的解释和重复性、解决方案中输入和输出因果关系的理解、算法偏差的管理以及添加纠正措施的能力，同时也列举了现有算法的分类和未来研究方向。
evolutionary algorithmstaxonomyalgorithm biascorrective measuresfuture research
发现论文，激发创造
  • 演化和自然启发式算法在数据科学和数据分析中的应用

    研究发现，在自然界的生物结构和功能中寻找灵感，运用进化算法等自然启发算法最终可以提高数据科学和数据分析的表现，其中特别关注了四种算法的优化应用 —— 特征选择、超参数调整、知识发现和聚类优化。

    Feb, 2022

  • 强化学习辅助的进化算法：调查与研究机会

    综述了将强化学习应用于进化算法的研究，讨论了集成方法、应用领域以及未来研究方向。

    Aug, 2023

  • 将人类创造力特征纳入进化艺术算法中

    本文讨论了如何通过使用自动适应函数在进化艺术和设计算法中去除人为干预，提高计算机生成的艺术和设计的创造性和人性化，以达到创新性的目的，并提出了使用二代适应函数进化达尔文的抽象肖像作为示例，从而展示人工智能在艺术创作领域的应用前景。

    Jan, 2010

  • 使用遗传算法模拟进化

    通过优化遗传算法，模拟物种在环境中的进化与自然选择，研究物种间相互作用，预测未来的变化，寻找生物进化的途径及其应用。

    Sep, 2022

  • 基于进化算法自主创建路径规划程序的进化程序员

    利用进化程序员方法和遗传算法进行无人机航迹规划，以适应不同环境下的场景变化。

    Mar, 2022

  • 演化算法与强化学习的桥梁：综述

    進化強化學習 (ERL) 通過整合進化算法 (EAs) 和強化學習 (RL) 進行優化，展現了卓越的性能提升。本文綜述了 ERL 中多樣的研究分支，系統地總結了最近相關算法的發展，並確定了三個主要的研究方向：EA 輔助 RL 優化、RL 輔助 EA 優化以及 EA 和 RL 的協同優化。隨後，我們對每個研究方向進行了深入分析，組織了多個研究分支，闡明了每個分支旨在解決的問題以及 EA 和 RL 集成如何應對這些挑戰。最後，我們討論了不同研究方向中可能面臨的挑戰和未來的研究方向。

    Jan, 2024

  • 图像分类器的大规模进化

    采用进化算法发现神经网络的架构，提出新型变异算子探索搜索空间以实现自动化，成功在 CIFAR-10 和 CIFAR-100 数据集上达到 94.6% 和 77.0% 的准确率，且无需人为干预。

    Mar, 2017

  • 强化学习的进化算法

    本文针对强化学习问题，重点介绍了进化算法在该问题上的应用，以及替代策略表述、信誉分配方法和问题特定遗传算子等方面的思考，在总结代表性应用的同时呈现了进化方法在强化学习中的优势和劣势。

    Jun, 2011

  • Evolvability ES: 可扩展且直接的进化能力优化

    本文介绍一种名为 evolvability ES 的进化算法，旨在明确且有效地优化进化能力，即进一步适应能力。实验结果显示，与梯度基础的元学习算法相比，evolvability ES 表现良好，是研究深度神经网络中可进化表示潜力的新方向。

    Jul, 2019

  • 进化机器学习与游戏

    进化机器学习已被应用于游戏的多个方面和不同目的。AI 在游戏中的研究不仅关乎玩游戏，还包括生成游戏内容、模拟玩家等多个应用，其中许多应用对于进化机器学习提出了有趣的问题。本章将根据进化是用于增强机器学习还是机器学习用于增强进化来结构化地讨论游戏中的进化机器学习。为了完整起见，我们还简要讨论了机器学习和进化在游戏中的分开使用。

    Nov, 2023