本文主要探讨了通过利用在相关问题中获得的经验,采用基于经验的代理辅助进化算法(SAEA)框架来增强昂贵优化问题的优化效率,实验结果表明从相关任务获得的经验对目标问题的评估预算的节约是有益的。
Apr, 2023
该研究采用元学习来探寻对进化策略更有效的更新规则,并通过自我关注机制加以参数化,其结果显示新进化策略推广到未知的优化问题、种群大小和优化目标上表现出良好的性能。研究结果还表明,所学习的进化策略可以在监督学习和连续控制任务中优于传统的神经进化算法。
Nov, 2022
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
本研究论文总结了最近学习型多目标进化算法在解决不同尺度多目标优化问题中的进展和挑战,并提供了四个有吸引力的方向,即用于环境选择的可学习进化鉴别器,用于繁殖的可学习进化生成器,用于函数评估的可学习进化评估器,以及用于共享或重复使用优化经验的可学习进化传输模块,作为这一领域的努力的参考。
Jun, 2022
利用大型语言模型进行算法进化,能够自动生成优化算法,减少人工专家和领域知识的需求,在解决推销员旅行问题方面表现优异,具有出色的可伸缩性,与先前的利用语言模型作为搜索操作符的尝试大不相同。
Nov, 2023
融入大型语言模型的进化算法为分子发现问题的优化提供了一个优越性能的解决方案,通过重新设计进化算法的交叉和变异操作,利用大型化学信息语言模型进行大规模的实证研究,在单目标和多目标环境中,对于性能优化、分子重发现和基于结构的药物设计等多个任务表现出优于基线模型的优越性能,提高了最终解的质量和收敛速度,同时减少了所需的目标评估次数。
Jun, 2024
基于大型语言模型(LLMs)和进化算法(EAs)的优势和互补性,本文提出了一篇综合综述和展望性的论文,将它们的相互启示分为 LLM 增强进化优化和 EA 增强 LLM 两个方面,并介绍了一些整合方法来论证在各种应用场景中 LLMs 与 EAs 的融合。这篇论文是围绕 LLMs 时代的 EA 研究的首个综合综述,为了解和利用 LLMs 与 EAs 之间的协作潜力奠定了基础,并提供了挑战和未来方向的指导。
Jan, 2024
我们用大型语言模型结合进化计算范式提出了一种新的算法进化(AEL)框架,用于自动算法设计,并在旅行商问题中使用 AEL 设计了引导算法。实验证明,AEL 设计的引导算法在相同迭代预算下优于人工设计的引导算法,标志着自动算法设计的新纪元的出现。
使用预训练的大型语言模型(LLM)设计的多目标进化算法(MOEA)运算符显示出潜在的优势,并能在不同模式和设置下具有稳健的泛化性能。
Oct, 2023
这篇论文介绍了黑盒优化问题以及贝叶斯优化和替代辅助进化算法两种优化技术的使用方法和差异,还介绍了一种新的基于模型辅助的策略,通过利用未评估的解产生后代,并结合进化算法的群体搜索能力来提高模型辅助优化的效果。实验结果表明,该方法在准确性和效率方面优于主流的贝叶斯优化算法。
Mar, 2024