Mar, 2024

关于 BaumEvA 进化优化 Python 库的测试的技术报告

PDF
TL;DR该报告介绍了 Python 库 BaumEvA 的测试结果，该库实现了进化算法来优化各种类型的问题，包括伴随着对最佳模型架构的搜索的计算机视觉任务。测试的目的是评估方法的效果和可靠性，并确定它们在各个领域的适用性。测试过程中使用了各种测试函数和进化算法的参数，从而能够评估其在广泛条件下的性能。测试结果表明该库提供了解决优化问题的有效和可靠的方法。然而，在处理具有大维度问题的算法的计算资源和执行时间方面存在一些限制。报告中详细描述了所进行的测试、所得到的结果以及关于遗传算法在各种任务中的适用性的结论。还提供了选择算法参数和使用该库以取得最佳结果的建议。该报告对于涉及复杂计算系统的优化以及研究在科学和技术各个领域使用进化算法的可能性的研究人员和开发人员可能很有用。
发现论文，激发创造
  • EvoTorch：Python 中可扩展的进化计算

    EvoTorch 是基于 PyTorch 的一种演化计算库，提供高纬度最优化问题、GPU 支持和高并行性能。

    Feb, 2023

  • Python 中的进化计算工具包 EC-KitY，具备无缝机器学习集成

    EC-KitY 是一个用于进行 Python 进化计算的综合计算机库，支持流行的进化计算范例，包括遗传算法，遗传编程，共演进，进化多目标优化等，并可与 scikit-learn 兼容，本文简要概述了该包的主要特点与架构，并将其与其他库进行了比较。

    Jul, 2022

  • evosax: 基于 JAX 的进化策略

    通过 GPU 加速计算及发布基于 JAX 的 evosax 库支持的 30 种演化式算法及硬件优化，本文探究了深度学习和演化式优化间的结合，以进一步推动黑箱优化算法的发展。

    Dec, 2022

  • 2019 进化算法综述

    本文提出了五个新的分类来研究进化算法，这些分类主要关注环境控制、搜索过程的解释和重复性、解决方案中输入和输出因果关系的理解、算法偏差的管理以及添加纠正措施的能力，同时也列举了现有算法的分类和未来研究方向。

    Jun, 2019

  • 进化优化和贝叶斯优化中的模型不确定性：一项比较分析

    这篇论文介绍了黑盒优化问题以及贝叶斯优化和替代辅助进化算法两种优化技术的使用方法和差异，还介绍了一种新的基于模型辅助的策略，通过利用未评估的解产生后代，并结合进化算法的群体搜索能力来提高模型辅助优化的效果。实验结果表明，该方法在准确性和效率方面优于主流的贝叶斯优化算法。

    Mar, 2024

  • 发现图生成算法

    本论文提出了一种新颖的构建图的生成模型的方法，该方法使用了进化搜索和图神经网络实现了强大的适应度函数，从而在一定程度上实现了深度生成模型所不具备的优点，如更高的泛化能力和直接的可解释性。

    Apr, 2023

  • LEA: 基于学习优化策略的进化算法之外

    设计一种可学习的进化算法（LEA）来实现从手工设计的优化策略到学习的优化策略的转变，能够高效地利用目标任务的低保真信息来形成优化策略，以更少的计算成本获得更好的解决方案。

    Apr, 2023

  • CMA-ES 变体的在线选择

    本研究针对进化计算领域中的算法选择问题，通过提出一种自适应 CMA-ES 算法的选择方式并测试，取得了比之前研究更稳健的结果，证明了模块选择对于不同优化问题的关键作用。

    Apr, 2019

  • 演化和自然启发式算法在数据科学和数据分析中的应用

    研究发现，在自然界的生物结构和功能中寻找灵感，运用进化算法等自然启发算法最终可以提高数据科学和数据分析的表现，其中特别关注了四种算法的优化应用 —— 特征选择、超参数调整、知识发现和聚类优化。

    Feb, 2022

  • Evolution Gym：用于进化软体机器人的大规模基准

    本文提出第一个针对软性机器人设计和控制的大规模 benchmark Evolution Gym，提出了结合了最新设计优化方法和深度强化学习技术的机器人 co-evolution algorithms。在 benchmark 上测试算法，观察到随着进化的进行，机器人表现出越来越复杂的行为和设计，其中最佳设计成功解决了许多任务，但所有经过测试的算法均未能找到在最难的环境中成功的机器人，这表明需要更高级的算法来探索高维度设计空间和进化越来越智能的机器人，期望 Evolution Gym 能加速该领域的进展。

    Jan, 2022