NeuroLGP-SM: 深度神经网络的可扩展替代辅助神经进化
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。
Mar, 2024
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
本文提出了基于 Lipschitz 低估的代理模型,结合标准径向基函数代理模型和局部搜索程序,开发了一种差分进化算法,名为 Lipschitz Surrogate-assisted Differential Evolution(LSADE)。实验结果表明,所提出的 LSADE 算法与高维复杂的基准函数的最先进算法相比表现出色,尤其在有限的计算预算下更加有效。
Apr, 2022
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
本论文提出了一种基于大脑多尺度拓扑结构的多尺度进化神经架构搜索算法 (MSE-NAS),通过基于神经激发的间接评估函数 (表示不同矩阵 RDMs) 演化单个神经元操作,从而得到具有卓越可扩展性和迁移性的 SNN 架构。实验结果表明,该算法在静态数据集 (CIFAR10, CIFAR100) 和神经形态数据集 (CIFAR10-DVS 和 DVS128-Gesture) 上均取得了最新技术水平 (SOTA) 的性能表现,而不需要训练,同时不影响在不同尺度上的生物解释性。
Apr, 2023
研究了神经邻伴方法中代理模拟器准确性对解决方案的影响,通过提出一种名为 Neural Lagrangian 方法的扩展,发现使用大型精确的代理模拟器能够更好地解决问题。在进行必要数量的解决方案候选者的处理困难时,NeuLag 方法能够找到最优解,即使在处理软或硬约束时也可以。
Apr, 2023
提出了一种基于分类器辅助排名学习和局部模型的多目标进化算法 (CLMEA),它用于高维昂贵的多目标优化问题,实验结果表明该算法在基准问题和地热储层热采优化实施方面显示出优秀的性能,相对于现有的基于替代模型的多目标进化算法具有更好的性能。
Apr, 2023
本研究介绍了一种新的方法,利用笛卡尔遗传编程来实现神经结构搜索,并通过多目标进化算法(MOEA)在连续域中进行优化,提出了两种变体,这些变体在粒度上的考虑不同,经实验结果证明,相对于目前最先进的提议,本文提出的方法在分类性能和模型复杂度方面具有竞争力。
Jun, 2023
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。
Jan, 2024