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

演化计算（EC）是一种强大的优化算法，已在各个领域得到应用。大型语言模型（LLMs）的出现不仅改变了自然语言处理，还将其能力扩展到各个领域。通过利用 LLMs 的丰富知识和自适应能力，我们提供了一个前瞻性的概述，介绍了 LLMs 对 EC 可能带来的改进，重点关注算法本身、种群设计和其他增强措施。这为 LLMs 和 EC 交叉研究的未来方向提供了一个有希望的方向。

May, 2024

本文介绍了一种基于进化集成学习方法的新型适应度函数及分类器集成选择标准，实验表明离线模式优于单一假设的进化学习和现有的增强学习算法，并生成更小的分类器集成。

Apr, 2007

基于深度强化学习的框架可自动配置和调整探索 - 利用平衡 (EET)，以提升进化计算算法的性能和泛化能力。通过在 CEC2021 基准上进行实验证明，在多个问题类别、维度和种群规模上，该框架显著改善了现有算法的性能，并提供了对 EET 问题的深入分析。

Apr, 2024

本文介绍了 BOOM 算法，研究了进化计算中的隐私保护问题。针对三种典型的优化范式（即集中式、分布式和数据驱动的优化），本文采用 BOOM 算法以平衡优化性能和隐私保证的方式探讨了潜在的隐私保护技术并提出新的隐私保护进化计算方向。

Mar, 2023

evoML 是一个 AI 助力的工具，可以提供机器学习模型开发、优化、以及代码优化的自动化功能，其核心功能包括数据清理、探索式分析、特征分析和生成、模型优化、模型评估、模型代码优化和模型部署，并且将代码和模型优化嵌入模型开发过程。

Dec, 2022

本篇论文探讨神经进化在深度学习中的作用，其中 HyperNeat 通过训练一种间接编码来实现学习大型神经结构，并且结合其他机器学习方法可以有效提取特征。

Dec, 2013

这篇文章综述了将进化计算方法与强化学习相结合的最新研究进展和方法，涉及强化学习中的关键研究领域及未来方向，为研究者和实践者提供参考和资源。

Mar, 2023

本文调查了我们团队的八项最近研究成果，探讨了进化算法与机器学习以及深度学习的成功结合，包括分类、黑盒算法生成对抗性实例等领域。

Jun, 2023

GEVO-ML 是一个工具，用于自动发现 ML 内核的优化机会和性能调优，在多层中间表示（MLIR）中统一表示模型和训练 / 预测过程，使用多目标进化搜索来改进在 GPU 上运行的 MLIR 代码的性能，而保持所需功能。

Oct, 2023