提出了一种基于遗传工程概念的新元启发算法 —— 遗传工程算法（GEA），通过重新设计传统遗传算法并引入新的搜索方法，以基于已有基因的选择来孤立、提纯、插入和表达新基因，从而产生具有所选基因的特定染色体，旨在解决遗传算法中的限制问题。与现有算法在基准实例上进行的比较评估表明，GEA 具有卓越的性能，展示了其作为组合优化问题的创新高效解决方案的潜力。

Sep, 2023

该文介绍了遗传算法（GAs）在计算优化问题中的应用，以及在天文学和天体物理学中的实用性。

Feb, 2012

该研究论文研究了公平分类中的特征选择问题，通过比较两种基于遗传算法的多目标优化方法，即帕累托支配型遗传算法和词典优化型遗传算法，发现词典优化型遗传算法在提升准确性的同时，不降低分类器的公平性，为公平分类研究指明了一条有前景的新方向。

Oct, 2023

提出了一种基于 FAIR 原则的数据管理工具架构和实现，通过两个案例展示了如何利用这些工具提高基于机器学习的科学研究的质量。

Jun, 2024

本文提出了一种两阶段的辅助代理进化方法，用于解决在大型数据集的封装设置中使用遗传算法进行特征选择时产生的计算问题。通过构建轻量级的定性元模型通过主动选择数据实例进行特征选择任务，并在遗传算法 CHC 的基础上应用该过程来创建定性近似变体 CHCQX。实验证明，CHCQX 对于包含超过 100K 个实例的大型数据集收敛速度更快且准确度更高。此外，我们还展示了我们的方法在粒子群优化（PSO）方法的定性逼近适应中的适用性，该方法属于进化计算（EC）范式的另一个分支，相关结果可在 GitHub 上找到完整的实现。

Apr, 2024

本论文表明，遗传算法是一种强大的生成分子的算法，优于许多复杂的机器学习方法，并提出了遗传算法准则，建议重新评估分子生成的研究。

Oct, 2023

我们提出了一种新的方法，在遗传算法中使用机器学习模型进行适应度近似估计，重点是在 Gymnasium（游戏）模拟器中的进化智能体，其中适应度计算代价很高。维护一个包括个体及其实际适应度评分的样本数据集，我们通过整个进化过程不断更新适应度近似估计的机器学习模型。我们比较了不同的方法：1）在实际适应度和近似适应度之间切换，2）对种群进行抽样，并且 3）对样本进行加权。实验结果表明，在适应度近似与实际计算的比率下，进化运行时间得到了显著的改善，且适应度评分要么相同，要么略低于完整运行的遗传算法。我们的方法是通用的，并且可以轻松应用于许多不同的领域。

Sep, 2023

本文首次全面综述遗传算法在无线网络中的应用，强调了其在机器学习、优化和分类方面的卓越通用性和适应性。

Nov, 2014

提出了基于基因调控的基因遗传算法（GRGA），利用基因之间的关系来改进遗传算法（GA）的准确性和效率。通过设计一个多部分图 RGGR 来表示解空间，其中每个节点对应一个解中的基因，并且边表示相邻节点之间的关系。通过使用 RGGR 来确定交叉和变异的位置，引导进化过程以更快、更好地收敛。通过在多模式优化问题以及特征选择、文本摘要和降维等应用上的测试，结果表明 GRGA 是有效和有希望的。

Apr, 2024

介绍了一套实用、简单、可衡量的 FAIR 准则，用于 AI 模型的数据管理和保存；展示了一个领域无关的计算框架，其中包含了 Advanced Photon Source、Materials Data Facility、Data and Learning Hub for Science、funcX 和 Argonne Leadership Computing Facility (ALCF) 等元素，以期在 AI 驱动的自主发现方面发挥作用。

Jul, 2022