- 一种优化分类树学习的新型记忆策略
本文提出一种新颖的演化算法,结合可行解空间的探索和局部搜索,用于归纳分类树,以达到具有一般化能力的结构,其表现与最先进的方法相当,并适用于包含成千上万数据点的数据集。
- 具有未知时间约束的安全强化学习策略联合学习
提出了一种结合逻辑约束强化学习算法和进化算法的框架,用于在不确定或未明确定义安全约束的环境中并发地学习安全约束和最优 RL 策略,并且该框架以理论保证为支撑,成功地在 grid-world 环境中识别出可接受的安全约束和 RL 策略,以及证 - B2Opt: 学习用小预算优化黑盒优化
本文聚焦于改进高维昂贵黑匣子优化的学习优化框架,并提出一种基于廉价代理函数和进化算法机制的新框架 B2Opt,相比黑匣子优化基准测试,B2Opt 能够实现 3 到百万倍的性能提升。
- 通过蒙特卡洛树搜索提高大规模多目标优化问题的性能鲁棒性
本文提出了一种基于蒙特卡罗树搜索的进化算法 -- LMMOCTS,旨在改进大规模多目标优化问题的性能和灵敏度。该方法通过抽样决策变量来构建蒙特卡罗树上的新节点进行优化和评估,并选择具有良好评估的节点进行进一步搜索,针对决策变量规模带来的性能 - CVPRDisWOT: 无需训练的蒸馏学生架构搜索
本文提出了一种名为 DisWOT 的新方法,使用进化算法,在没有进行训练的情况下,以教师神经网络的相似度为依据来搜索出最优的学生神经网络结构,并且在知识蒸馏阶段大幅提高了模型性能。实验结果表明,该方法在不同的搜索空间中均取得了最先进的成果。
- 深度神经网络结构和超参数优化的算法框架
本篇论文提出一种基于演化有向无环图的算法框架,自动生成高效的深度神经网络并优化其相关超参数,与已有文献中的搜索空间相比更具灵活性,能优化网络的结构和超参数,已经在时间序列预测基准测试中得到了实验结果的验证。
- KDD符号回归数学表达式的高效生成器
本文提出了一种基于新颖的变分自编码器生成分层结构的符号回归方法,将简单的原子单元与共享权重相结合,递归地编码和解码分层中的个体节点,通过随机化搜寻分层结构的空间,能够在符号回归任务中准确且高效地构建等式。
- 基于图遗传算法的自动化拼图验证以实现更快的游戏设计
本文介绍了一种带有专家知识启发式的进化算法,以更高效地解决逻辑谜题,在游戏设计中可以应用于自动验证和个性化谜题设计。
- 卫星调度问题的数学模型和基于强化学习的进化算法框架
本文介绍了两种卫星调度问题模型,并提出了基于强化学习的进化算法框架,以应对复杂组合优化问题中的 NP 难题,为卫星任务规划提供了解决方案。
- 子网络多目标进化算法实现过滤器剪枝
本研究提出了一种基于子网络的多目标进化算法用于卷积神经网络过滤器裁剪,通过逐步组合卷积层裁剪,可以在保持更好性能的同时得到轻量化的裁剪结果。
- 开放式学习的增强拓扑智能体
本文提出了一种名为 ATEP 的增强型拓扑 EPOET 算法来同时进化越来越具有挑战性的环境和智能体的控制器结构,并证明这种方法相比于固定神经网络结构的基线算法具有更强的泛化性能,同时采用基于物种的转移机制有利于进一步提升智能体的表现和泛化 - 置换问题的适应度景观分析:从距离度量到变异算子选择
本文研究了适应性函数分析在排列优化问题上的理论与实践,着重探讨了距离度量问题及其分类方法,并利用主成分分析法对于度量方法进行分类,揭示出排列优化问题的分类规律及其子类型,利用其进行突变算子的选择和进化算法的优化。
- 基于进化算法辅助深度神经网络的非平衡图像分类分布学习
提出了一种在特征级别而非数据级别上基于过采样的解决不平衡分类任务中生成图像的质量多样性平衡问题的方法,并在这一基础上,设计了一种改进的估算分布算法,即基于潜在特征分布演化的改进估算分布算法 (MEDA_LUDE)。大量实验验证了所提出的算法 - 基于计算智能的迁移学习综述
本文研究了基于计算智能的迁移学习技术,将其分为基于神经网络、进化算法、群智能和模糊逻辑的迁移学习。与传统的机器学习方法相比,迁移学习方法可以更好地建模当前领域的数据模式。
- 模糊聚类中的词向量和有效性指标
本研究使用模糊聚类方法和进化算法优化实现的模糊聚类方法介绍,通过应用基于计数的单词嵌入在 covid 数据集上,研究表明模糊聚类算法对高维数据非常敏感且参数调整会大大改变其性能,我们通过比较不同算法变体的不同嵌入精度来评估实验结果。
- 通过进化二层优化使用支持向量机处理不平衡分类问题
介绍了一种新的基于演化算法的、双层成本敏感的支持向量机方法 EBCS-SVM,可用于解决非平衡分类问题,并通过对 70 个数据集的实验结果进行比较,证明了其有效性。
- 基于网络缩放的大规模多目标影响力最大化
本文提出了一种基于网络降维的多目标进化算法来解决影响最大化问题,并通过 PageRank 等中心度量指标将降维后的解还原到原始网络中,实验结果表明,该方法在八个大型网络上表现出更高的效率和更少的计算时间。
- ICLR神经多目标组合优化问题中的 Pareto 集学习
本文通过神经组合优化的思想,提出了多目标组合优化问题的学习方法,模型可直接生成逼近帕累托前沿的解,证明了该方法在多目标问题上的有效性。
- 使用脉冲神经网络演化学习强化学习任务
本研究基于大自然神经系统的启发,应用突触可塑性规则训练带有局部信息的脉冲神经网络,使其适用于神经形态硬件的在线学习。其目的在于通过应用进化算法,使得各种不同任务的学习过程变得更加简单,通过提供一组各种局部信号、数学算子和全局奖励信号来找到最 - ECCVEAGAN: 用于 GAN 的高效双阶段进化架构搜索
本文提出一种基于多目标进化策略的两阶段神经结构搜索方法 (EAGAN),旨在稳定生成对抗网络(GANs)的训练过程以提高图像生成性能,实验结果表明其有效性。