- EvoSeed:揭示深度神经网络在现实世界中的威胁
使用进化算法生成的自然对抗样本可以提高深度神经网络的鲁棒性。
- 基于扩散模型的汽油调配调度的多目标优化
利用扩散模型驱动的新型多目标优化方法(名为 DMO)用于汽油调和调度,通过迭代过程将解从高斯噪声转换为可行的时间表,同时使用梯度下降方法优化目标,从而解决了传统和进化算法面临的复杂性问题。实验结果表明,DMO 在解决汽油调和调度问题的效率上 - 演化引导的生成流网络
我们提出了一种名为进化引导生成流网络(EGFN)的方法,通过使用进化算法(EA)对一组代理参数进行训练,将得到的轨迹存储在优先级回放缓冲区中,并使用存储的轨迹训练 GFlowNets 代理,以有效地训练 GFlowNets 模型在处理长轨迹 - 演化算法模拟分子进化:一个新的领域提议
通过将进化算法、机器学习和生物信息学相结合,我们提出了一种计算方法,可以扩展已知功能蛋白家族的词汇表,进而发展出以前从未存在过的全新蛋白质,从而推动计算进化的新子领域的发展。
- 智慧城市应用中使用连续目标导向行为进行真实评估的追踪性
智慧城市应用中的智能城市机器人行为连续目标动作演化算法及粒子群优化方法的研究
- SCAPE: 使用进化搜索概念架构提示
SCAPE 是一种将进化算法与生成性人工智能相结合的工具,通过简单的点选界面,使用户能够探索源于其初始输入的创意和高质量设计。与 DALL-E 3 相比,SCAPE 能够在图像的新颖性上提升 67%,并在质量和使用效果上得到改进;我们展示了 - EmoDM: 用于进化多目标优化的扩散模型
提出使用扩散模型(EmoDM)解决演化多目标搜索的方法,通过学习先前解决的演化优化任务的噪声分布,在不经历进一步演化搜索的情况下,通过逆扩散生成一组非支配解,从而显著减少了所需的函数评估次数,并引入互信息熵注意机制来提高 EmoDM 的可伸 - 演化算法与强化学习的桥梁:综述
進化強化學習 (ERL) 通過整合進化算法 (EAs) 和強化學習 (RL) 進行優化,展現了卓越的性能提升。本文綜述了 ERL 中多樣的研究分支,系統地總結了最近相關算法的發展,並確定了三個主要的研究方向:EA 輔助 RL 優化、RL 輔 - 一次互为胜佳的匹配:当大型语言模型遇上进化算法
本文阐述了预训练的大型语言模型(LLMs)和进化算法(EAs)之间的强一致性,包括多个一对一的关键特性:记号嵌入和基因型 - 表现型映射,位置编码和适应度塑形,位置嵌入和选择,注意力和交叉,前馈神经网络和突变,模型训练和参数更新,以及多任务 - 大语言模型时代的进化计算:调查与路线图
基于大型语言模型(LLMs)和进化算法(EAs)的优势和互补性,本文提出了一篇综合综述和展望性的论文,将它们的相互启示分为 LLM 增强进化优化和 EA 增强 LLM 两个方面,并介绍了一些整合方法来论证在各种应用场景中 LLMs 与 EA - 大型语言模型平衡情感的多目标进化优化
我们提出了一种特定于提示优化的进化多目标方法(EMO-Prompts),以情感分析为案例研究,结果表明 EMO-Prompts 可以有效生成能够引导大型语言模型同时表达两种相互冲突情感的提示。
- 深度强化学习辅助运算符选择的约束多目标优化
本文提出了一个使用深度强化学习辅助的在线运算符选择框架,该框架能够提高约束多目标优化演化算法的性能。通过根据当前状态自适应选择最大化总体改善的运算符,改进了算法性能,并在 42 个基准问题上对四种常用的约束多目标优化演化算法进行了评估,实验 - 多模态优化的 k - 集群大爆炸 - 大收缩算法
提出一种基于集群的多模态优化算法 ——k-BBBC,并引入两种后处理方法,以识别局部最优解和量化正确检索到的最优解数量,结果表明该算法在搜索空间的搜索和目标空间的准确性以及成功率方面优于其他多模态优化方法。
- 通过元启发式优化分解困难的 SAT 实例
在本文中,我们考虑了在布尔可满足性问题(SAT)的框架下,估计特定布尔公式的难度相对于特定完备 SAT 求解算法的问题。在我们引入了强背门集(SBS)概念之后,我们提出了分解难度(d-hardness)的概念,并通过使用蒙特卡罗方法等算法来 - DARLEI:具有进化智能的深度加速强化学习
我们提出了一个框架 DARLEI,结合了进化算法和并行强化学习,用于高效训练和演化 UNIMAL 智能体的种群。我们的方法利用 Proximal Policy Optimization (PPO) 进行个体智能体的学习,并与基于锦标赛选择的 - 利用广义经验的自适应操作符选择
通过强化学习提出并评估了一种新的方法来帮助开发通用框架,用于获取、处理和利用即时和未来使用的经验,以解决优化问题和平衡探索和开发之间的挑战。
- 平面软生长机器人操纵器的设计优化器
这项工作提出了一种软体生长机器人设计优化的新方法,通过多目标优化问题的数学建模和演化算法,实现了软体机械臂的运动链优化,以解决特定任务并避免不必要的材料和资源浪费。实验证明该方法在性能和资源消耗方面优于现有文献中的方法。
- 连接大型语言模型与进化算法产生强大的提示优化器
通过连接大型语言模型和进化算法,本论文提出了一种用于离散提示优化的新框架 ——EvoPrompt,极大地提升了语言理解和生成任务中大型语言模型的表现,并展示了语言模型与传统算法结合的协同效应。
- 强化学习辅助的进化算法:调查与研究机会
综述了将强化学习应用于进化算法的研究,讨论了集成方法、应用领域以及未来研究方向。
- FedPop:联邦式基于人口的超参数调优
本文介绍一种名为 FedPop 的新型超参数调整算法,采用基于种群的进化算法来优化分布式机器学习模式中的超参数,从而提高计算效率并探索更广泛的超参数搜索空间。在常见的联邦学习基准和复杂真实世界的联邦学习数据集上进行的实证验证表明,该方法有效