- 基于大型语言模型的化学空间高效进化搜索
融入大型语言模型的进化算法为分子发现问题的优化提供了一个优越性能的解决方案,通过重新设计进化算法的交叉和变异操作,利用大型化学信息语言模型进行大规模的实证研究,在单目标和多目标环境中,对于性能优化、分子重发现和基于结构的药物设计等多个任务表 - 通过流形优化和进化元启发式算法学习解决多分辨率矩阵分解
多分辨率矩阵分解 (MMF) 通过优化元启发式方法、进化算法、Stiefel 流形优化和反向传播误差,在建模具有复杂多尺度或分层结构的图形时,提出了一种 “可学习” 的 MMF 版本,产生的小波基础性能优于现有的 MMF 算法,并在图形上的 - 在优化中通过 LLM 辅助推理增强决策能力:神经网络视角
本文探讨了在大规模多目标优化领域中,生成 AI(GenAI)和进化算法(EAs)的无缝集成。通过着眼于大型语言模型(LLMs)的变革性作用,我们的研究调查了 LLM 辅助推理在自动化和增强决策过程中的潜力。具体而言,我们突出了 LLM 在揭 - GLHF:基于超函数的通用学习进化算法
GPOM 是一种预训练的通用优化模型,通过构建面向连续优化的基于种群的预训练黑盒优化模型,解决了当前预训练优化模型在效率和泛化能力方面存在的问题,并在 BBOB 基准和两个机器人控制任务中的评估中表现出显著优于其他预训练黑盒优化模型以及基准 - 颠覆交通标志识别:揭示视觉变换器的潜力
本研究引入了一种创新的基于深度学习技术的交通标志识别(TSR)方法,特别强调视觉变换器。实验评估结果表明,该方法在提高预测速度和准确性方面具有显著的效果,为 TSR 算法的精确可靠开发奠定了基础,受益于驾驶辅助系统和自动驾驶汽车。
- LVNS-RAVE:基于 RAVE 和潜向量新奇性搜索的多样化音频生成
由于进化算法需要复杂的设计且生成的声音缺乏真实感,而生成式深度学习模型常常只是复制数据集缺乏创造力,本文提出了 LVNS-RAVE 方法,将进化算法与生成式深度学习相结合以产生逼真和新颖的声音样本。实验结果表明,该方法能够成功生成多样化和新 - 多目标问题(前导 1,尾随 0)的进化多样性优化的运行时分析
本研究分析了进化多目标优化算法在多样性优化问题中的应用,并证明了一种算法能够在预期的迭代次数下计算出所有 Pareto 最优解。同时,还分析了该算法找到具有最佳多样性的种群所需的迭代次数,并通过实证研究验证了理论预测的准确性。
- NeuroLGP-SM: 深度神经网络的可扩展替代辅助神经进化
在神经进化(neuroevolution)中,我们提出了一种名为 NeuroLGP-SM 的方法,它利用表型距离向量和 Kriging Partial Least Squares(KPLS)作为代理模型,以高效准确地评估大型深度神经网络(D - 使用三目标进化算法求解动态禁制条件背包问题
研究探讨应用三目标进化算法解决具有随机和动态约束的背包问题,通过将体重和背包容量建模为随机和动态组成部分,与二目标公式相比,三目标公式在应对动态背包问题中具有明显优势。
- 特征选择的快速遗传算法 —— 一种定性近似方法
本文提出了一种两阶段的辅助代理进化方法,用于解决在大型数据集的封装设置中使用遗传算法进行特征选择时产生的计算问题。通过构建轻量级的定性元模型通过主动选择数据实例进行特征选择任务,并在遗传算法 CHC 的基础上应用该过程来创建定性近似变体 C - 适度数量的种群可证明具有强健的抗噪性
基于数学运行时间分析,该研究表明在具有先前的比特噪声的情况下,(1+λ) 和 (1,λ) 进化算法都可以容忍恒定的噪声概率而不增加 OneMax 基准测试的渐近运行时间。
- 神经 LGP-SM:基于线性遗传编程的辅助神经进化方法
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 - 通过遗传编程演化基准函数比较进化算法
利用遗传规划(GP)生成新的优化基准函数,通过利用 Wasserstein 距离和 MAP-Elites 方法,我们展示 GP 生成的基准函数能够更好地区分算法,并自动设计、比较进化算法。
- 关于 BaumEvA 进化优化 Python 库的测试的技术报告
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 - 深度强化学习用于动态算法选择:关于差分进化的原理验证研究
通过深度强化学习动态算法选择框架,本文提出了一种旨在解决单一算法在解决不同问题实例时的有效性差异的方法,该方法利用一组算法的互补优势,并在优化过程中动态调度它们以解决特定问题。
- 基于语言模型的特征选择方法 ICE-SEARCH
该研究提出了 In-Context Evolutionary Search (ICE-SEARCH) 方法,将语言模型与进化算法相结合,用于特征选择任务,并证明其在医学预测分析应用中的有效性。ICE-SEARCH 利用语言模型内在的交叉和变 - 通过交互式 AutoML 演化的机器学习工作流程
自动工作流合成是自动化机器学习中的一个相关问题,通过进化算法和语法引导的遗传规划方法,将预处理和预测模型的最佳超参数与适当的顺序相结合。然而,我们的方法是第一个将 G3P 方法的优点与交互式优化和人类指导的机器学习的思想相结合的提案,通过与 - 基于混合哈里斯鹰和多层感知机的有效网络入侵检测方法
利用哈里斯鹰优化算法(HHO)来优化多层感知机学习的入侵检测系统(IDS),通过优化偏差和权重参数选择最优参数以减少网络入侵检测错误,实验证明 HHO-MLP 方法能有效识别恶意模式并在准确率、敏感度和特异度方面表现优异。
- 大型语言模型中演化算法引导的零射链条思维推理
大语言模型通过应用无需预先训练的思维链式促进方法展示了卓越的表现,并展示了出色的推理能力。本文介绍了一种新的零样本促进方法,利用进化算法为大语言模型动态生成多样的促进方式,通过选择适合的促进方式提高模型的理解能力。详细实验结果表明,相较于当 - 一种带有演化操作的赌博机方法进行模型选择
该研究论文将模型选择问题视为无限臂赌博机问题,通过部分训练(资源分配)选择模型,准确率作为奖励,最佳模型与最终选择模型之间的期望准确率差异作为遗憾,提出了一种基于进化算法的新型组合方法 Mutant-UCB,通过在三个开源图像分类数据集上的