神经 LGP-SM：基于线性遗传编程的辅助神经进化方法

Mar, 2024

神经 LGP-SM：基于线性遗传编程的辅助神经进化方法

NeuroLGP-SM: A Surrogate-assisted Neuroevolution Approach using Linear Genetic Programming

Fergal Stapleton, Brendan Cody-Kenny, Edgar Galván

TL;DR我们通过采用基于线性遗传编程的适当表示方法（称为 NeuroLGP）和应用克里金偏最小二乘法来解决神经演化中的计算挑战，提出了一种称为 NeuroLGP-Surrogate Model（NeuroLGP-SM）的方法。该方法在 96 次独立运行中表现出卓越的精度，并且比基线方法节省了 25% 的计算资源，进一步突显了其在神经演化中的效率。

Abstract

evolutionary algorithms are increasingly recognised as a viable computational approach for the automated optimisation of deep neural networks (DNNs) within artificial intelligence. This method extends to the training of DNNs, an approach known as →

evolutionary algorithms neuroevolution surrogate models linear genetic programming neurolgp-surrogate model

发现论文，激发创造

NeuroLGP-SM: 深度神经网络的可扩展替代辅助神经进化

在神经进化（neuroevolution）中，我们提出了一种名为 NeuroLGP-SM 的方法，它利用表型距离向量和 Kriging Partial Least Squares（KPLS）作为代理模型，以高效准确地评估大型深度神经网络（DNNs）的适应度，并且相比其他方法具有竞争力或更好的结果和更高的能源效率。

Apr, 2024

深度神经进化：遗传算法是训练深度神经网络进行强化学习的竞争性替代方案

我们证明了遗传算法可以在深度人工神经网络上实现良好的性能表现，即使没有梯度信息支持，我们使用深度遗传算法结合新颖搜索技巧在具有挑战性的深度强化学习问题上获得了成功，并且速度比其他算法更快，能够实现高效编码。

Dec, 2017

基于代理的分布式群体优化算法在计算代价昂贵模型中的应用

本论文旨在在并行计算结构中实现基于代理的适应度评估，在复杂的地质科学景观进化模型上实现优化解决方案时间的缩短，同时保持优化准确性。

Jan, 2022

深度学习生成神经进化

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

突触神经网络中的代理梯度学习

本文阐述了训练脉冲神经网络时通常遇到的问题，并通过指导读者了解突触可塑性和数据驱动学习的关键概念，概述了现有方法并介绍了代理梯度方法，这是一种特别灵活和有效的克服上述挑战的方法。