给定一个初始解决方案，我们引入了一个自适应求解器框架，通过动态适应策略，包括模型适应、提示方法适应和分解粒度适应，来提高计算效率和整体性能，同时减少 API 成本。

Oct, 2023

该研究提出了一个基准的自我演进框架，动态评估迅速发展的大型语言模型（LLMs）的能力和限制，实施基于多智能体系统的重构操作来构建演进实例，对 LLMs 进行更可扩展、稳健和细粒度的评估，并发现它们在多个任务上的性能普遍下降。

Feb, 2024

该论文介绍了一种新颖且通用的动态质量多样性 (Dynamic QD) 方法，旨在在环境发生变化的情况下更新过去解决方案的存档，并将其应用于进化搜索的动态环境。

Apr, 2024

本文提出了一种针对不断变化的环境的公平在线学习框架 FairSAOML，通过添加长期公平性约束来构建新的遗憾度量 FairSAR 和新的自适应公平在线元学习算法，提高分布不一样时的性能，同时对累积公平性约束和损失遗憾度提供了亚线性的理论上限，实验结果表明本文提出的算法在不同的数据集和环境中均优于当前最佳的在线学习算法。

May, 2022

本文介绍了一种新颖的神经网络训练方法，通过动态地调整学习因子的数量来解决确定最佳学习因子数量的挑战，从而提高训练效率和准确性。该方法还引入了基于目标函数曲率的权重分组技术和大型 Hessian 矩阵的压缩技术。实验结果表明，与 OWO-MOLF 和 Levenberg-Marquardt 等现有方法相比，AMOLF 具有更优越的性能。

Jun, 2024

本研究针对优化问题，提出了一种基于自动设计元启发式算法的方法学框架 AutoOpt，该框架包含具有良好性能的算法性能评估标准、算法设计决策空间的一般架构、设计算法所用的混合图和实数表示以及无模型方法来进行设计过程。实测结果表明，AutoOpt 是一种有效和高效的设计元启发式算法的方法学框架。

Apr, 2022

本文提出了基于生成和环境响应策略的新框架以解决动态多目标优化问题。在 13 个不同特征的 DMOP 上，与传统框架中的四种经典响应策略相比，实验结果表明，该方法对于 DMOP 是有效的。

Jul, 2022

通过引入长期公平性约束到适应性损失后悔框架中，我们在不断变化的环境中解决了公平感知在线学习挑战，并提出了一种独特的后悔度量 FairSAR。此外，为了确定每个时间步的最优模型参数，我们引入了一种创新的自适应公平感知在线元学习算法 FairSAOML，该算法通过有效管理偏差控制和模型准确性来适应动态环境。该问题被构建为双层凸凹优化，考虑了模型的准确性和公平性属性，理论分析得出了损失后悔和公平性约束累积违规的次线性上界。我们在动态环境中的各种真实数据集上的实验评估表明，我们提出的 FairSAOML 算法始终优于基于最先进在线学习方法的替代方法。

Feb, 2024

我们将自适应网格细化（AMR）作为一种协作、均质代理系统，通过迭代地分裂成多个新的代理来降低最大网格元素误差，从而提供了高效、稳定的优化，并在用户定义的分辨率下生成高度自适应网格。ASMR 在大量实验中展现了优于启发式方法和学习基准的性能，并在推理过程中在不同领域上推广，而且在更高要求的设置中产生比均匀细化快两个数量级的模拟网格。

Jun, 2024

本文提出了一种自适应调整权重的方法，名为 AdMMO，来克服 MMO 的重大缺点，通过在适当的时间调整权重以维持优秀的非支配配置，实验结果表明在多个实际系统、目标和预算上，AdMMO 比 MMO 和一系列最新的优化器优越，同时在最佳速度提升为 2.2 倍至 20 倍的基础上相对更高的效率。

Apr, 2024