- EvoAgent：通过进化算法实现自动多智能体生成
通过应用进化算法，EvoAgent 可以自动将专家代理扩展为多代理系统，从而提高基于大型语言模型的代理在解决任务中的效力。
- 基于层次空间的高效 NAS 与 FaDE
FaDE 使用可微分的架构搜索方法，在有限的分层搜索空间上获取相对性能预测，在完整的神经架构搜索空间上实现一个批量式外部搜索算法，实验结果表明 FaDE 在分层和多细胞搜索空间中展开线性探索，消除了代理搜索空间的需要。
- R2 指标与深度强化学习增强的自适应多目标进化算法
提出了一种基于强化学习的双深度 Q 网络优化算法结构，通过使用 R2 指标将单目标结构转化为多目标结构，以及通过评估每代算法的性能构建强化学习奖励函数，该算法在与其他基于 R2 指标的六种算法进行比较时表现出优秀的性能。
- 神经进化电子动态网络
利用动态和部分重构能力强大的现代可编程门阵列作为神经进化动态神经网络的强大平台的潜力得到了本研究的实证。
- 利用大规模语言模型识别复杂网络中的关键节点
通过将进化算法（EA）与大型语言模型（LLMs）相结合，我们提出一种名为 “score_nodes” 函数的方法，用于根据它们的得分来识别关键节点。我们的模型通过手动初始化、种群管理和基于 LLMs 的演化三个主要组件来演化，展示了与其他现 - 自主运输网络设计的神经进化算法
规划自动驾驶公交车网络是一个具有挑战性的优化问题。我们提出了一种新颖的算法来规划自动驾驶公交车的线路网络。我们首先训练了一个图神经网络模型作为构建线路网络的策略，然后将该策略作为进化算法中的一种变异操作符之一。我们在一套标准的运输网络设计基 - 学习使用 GOMEA 的离散贝叶斯网络
从可解释人工智能的角度出发，本论文扩展了基于 Gene-pool Optimal Mixing Evolutionary Algorithm（GOMEA）的最新结构学习方法，用于联合学习变量的离散化。提出的离散贝叶斯网络 GOMEA（DBN - 映射极点是否揭示搜索空间？MAP-Elites 应用于人工智能与人类协作设计的大规模用户研究
研究发现，人工智能协作设计工具的设计推荐对设计过程有积极影响，尤其是综合使用 MAP-Elites 和随机选取的设计推荐能够提高设计任务的参与度和最终设计的质量。有关衡量人工智能协作算法在设计过程中影响的指标存在不足，这对于设计新的混合倡议 - 利用大型语言模型演化代码
用大型语言模型（LLM）进行演化代码的算法最近才出现在遗传编程（GP）领域中。我们提出了 LLM GP，这是一种基于 LLM 的形式化演化算法，旨在演化代码。与 GP 类似，它使用进化算子，但其设计和实现与 GP 截然不同，因为它利用了 L - 基于知识辅助的大规模原油调度的双阶段进化优化
在现代炼油厂中，随着原油调度规模的扩大，涉及数千个二进制变量和非线性约束的大规模原油调度问题（LSCOSPs）变得越来越具有挑战性，难以通过传统的优化方法进行优化。为了解决 LSCOSPs，我们以一个海上进出口炼油厂的实际原油调度为例，从原 - 使用交互演化算法的着色器过程生成工具
使用与 Unity 编辑器集成的交互式进化算法，我们提出了一个用于探索着色器设计空间的工具，该框架利用最近的着色器编辑器的基于图形的表示和交互式进化，允许设计者从现有的着色器开始探索几种视觉选项。
- 嵌入式特征选择在 LSTM 网络中的多目标进化集成学习用于时间序列预测
LSTM 网络在多目标进化算法的支持下，通过分区优化权重和偏差，构建非优势预测模型集合进行元模型构建，并提供属性重要性确定的方法，实验证明优于现有方法。
- AutoNumerics-Zero 自动发现最新数学函数
用一种简单的进化算法，该研究展示了在计算机有限精度运算的情况下，能够发现优化过的高精度近似解，而无需了解数学知识。这种方法不仅适用于指数函数，还能扩展到其他超越函数，提供了降低科学计算应用成本的潜力。
- 使用 NEAT 算法学习机器人群体的新兴行为
通过进化算法训练分布式机器人群体算法以产生新兴行为，并在不同模式的操纵下进行了模拟实验和评估。
- AutoDiffusion：无需训练的自动扩散模型加速的时间步长和架构优化
我们提出了一种统一的框架来在扩散模型中实现有效的图像生成，其中搜索最佳时间步骤序列和压缩模型架构，无需进一步的训练。通过引入两阶段进化算法和使用生成和真实样本之间的 FID 评分来加速搜索过程，该方法在仅使用几个时间步骤时实现了出色的性能。
- 基于群贡献法的非线性光学分子的神经网络驱动交互设计
使用 Lewis - 模态群贡献方法（LGC）、多阶段贝叶斯神经网络（msBNN）和进化算法（EA）框架进行 D-Pi-A 类型有机小分子非线性光学材料的有理设计。通过结合 msBNN 和修正的 LGC 方法（cLGC），仅利用小规模数据集 - 构建和测试在人形机器人中体现的通用智能
构建和测试人类智能水平的机器是一项具有重要经济激励的科学大挑战，我们介绍了我们的方法，包括物理人形机器人系统、基于软件的控制系统、衡量人形机器人智能的性能指标 g + 和用于逐步提高该性能指标得分的进化算法，并报告了该系统的 g + 指标的 - 利用 MOEA/D 求解多目标最小权重基问题的严格运行时分析
研究了多目标最小重量基问题的性质，并给出了 MOEA/D 算法的运行时间分析，表明在理论和实践方面都比已有的算法更优，可望在预期的多项式时间内找到所有的极值点。
- 生成式 AI 的 Prompt 演进：一种分类器引导的方法
本文提出了一种利用进化算法和多目标实现的新的方式，使用图像分类器引导产生的多样性生成的技术，来改善生成模型无法连接生成输出和期望目标概念 / 偏好的局限性，通过一种通过对生成进化过程规定选择压力和变异性的方式，产生多个更符合用户偏好的图像。
- 基于机器学习的生物质水解炭特性研究：对可持续能源和材料生产的意义
本研究旨在开发一种全面的模型，使用覆盖不同生物质类型和反应处理参数范围的数据库来表征水炭。使用决策树回归和支持向量回归两个模型预测水炭的质量和数量，然后使用进化算法来确定最佳的输入参数，以达到在能源生产，土壤改良和污染物吸附方面的最优化效果