- 进化计算与可解释人工智能:通往透明智能系统的路线图
人工智能方法的黑箱特性引发了对可追溯性和可信赖性的担忧,解释性人工智能(XAI)领域因此而兴起。本文介绍了 XAI,并回顾了目前用于解释机器学习模型的各种技术。重点探讨了如何在 XAI 中应用进化计算(EC)以及将 EC 技术融入 XAI - 通过质量多样性数据合成和语言模型的生成设计
通过将优化、约束满足和语言模型结合起来,我们提出了一种新颖的方法来解决工程应用中生成模型面临的两个基本挑战:获取高性能多样的数据集和生成符合精确约束的设计。我们的方法使用品质多样性 (Quality-Diversity, QD) 生成多样化 - 通过大型语言模型探索进化计算的改进
演化计算(EC)是一种强大的优化算法,已在各个领域得到应用。大型语言模型(LLMs)的出现不仅改变了自然语言处理,还将其能力扩展到各个领域。通过利用 LLMs 的丰富知识和自适应能力,我们提供了一个前瞻性的概述,介绍了 LLMs 对 EC - 利用大型语言模型进化成本感知的获取函数
本文介绍了一个新的框架,将大型语言模型与进化计算相结合,自动设计成本感知的采集函数,以在有限预算内高效接近全局最优解。
- 基于采样的概率约束单调次模问题的帕累托优化
基于采样的方法用于直接评估机会约束,研究结果表明,采用不同评估方法的算法性能是可比较的,而采用基于采样的方法的 ASW-GSEMO 算法优于其他算法。
- 进化计算中基于深度强化学习的自动配置探索 - 开发平衡
基于深度强化学习的框架可自动配置和调整探索 - 利用平衡 (EET),以提升进化计算算法的性能和泛化能力。通过在 CEC2021 基准上进行实验证明,在多个问题类别、维度和种群规模上,该框架显著改善了现有算法的性能,并提供了对 EET 问题 - 进化计算对机器人设计的影响:一项基于欠驱动手外骨骼的案例研究
利用进化计算方法对机器人外骨骼设计进行优化,特别是在优化下驱动式手部外骨骼 (U-HEx) 的性能和可用性方面,结果显示进化计算方法在较短时间内持续提供精确和最佳解决方案,显著提高了转移给用户的扭矩大小和设备效率。
- Evo* 2023 -- 摘要迟至卷
应用不同的生物启发方法(主要是进化计算)研究不同问题中的正在进行的研究和初步结果,主要集中在 Evo* 2023 会议的拟态论文中。
- 极具挑战的平方分配问题的研究:QAP-SAT 实例
本研究探讨了 Quadratic Assignment Problem 的相变现象,通过引入新的基于子模块性的 QAP-SAT 设计来捕捉问题的复杂度,并使用分支界限和禁忌搜索求解器对其进行实验研究,在此基础上提出了相变参数,发现禁忌搜索的 - DALex: 通过多样化聚合的类 Lexicase 选择
DALex 方法通过矩阵乘法的优化与并行算法在速度上实现了对于 lexicase selection 的显著加速,而且在问题解决的性能上几乎保持一致,从而为解决更加困难的问题提供了潜在的可能性。
- 动态网络模型的符号回归
使用复杂系统、网络、遗传编程、符号回归和进化计算等方法,该研究论文介绍了一种用于生成网络结构和发展过程的新型网络生成器,并通过改进的方法和应用于多个数据集的实验证明了其解释性和去中心化特性。
- 进化动态优化与机器学习
这篇论文是关于进化计算、人工智能、进化机器学习、进化动态优化和机器学习之间互相结合的研究,旨在激发进化学习社区的兴趣并在该领域激发创新贡献。
- 竞争性多智能体搜索的进化策略
本文以智能搜索技术在人机系统中的应用为出发点,提出了一种新的多智能体协作搜索方法,并通过实验结果表明,该方法优于传统的手动设计策略和传统树状搜索方法,并能够用于研究不同的人类创造性活动。
- 进化计算与隐私的交会
本文介绍了 BOOM 算法,研究了进化计算中的隐私保护问题。针对三种典型的优化范式(即集中式、分布式和数据驱动的优化),本文采用 BOOM 算法以平衡优化性能和隐私保证的方式探讨了潜在的隐私保护技术并提出新的隐私保护进化计算方向。
- 进化强化学习:综述
这篇文章综述了将进化计算方法与强化学习相结合的最新研究进展和方法,涉及强化学习中的关键研究领域及未来方向,为研究者和实践者提供参考和资源。
- 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。
- 使用转移学习的多目标进化剪枝深度神经网络以提高其性能和鲁棒性
提出一种名为 MO-EvoPruneDeepTL 的多目标进化修剪算法,利用转移学习将深度神经网络的最后层替换为稀疏层,通过性能、复杂度和稳健性引导演化,实验结果表明该算法在所有目标方面都取得了有前途的结果,且网络修剪带来的影响有助于解释输 - 利用知识图谱预测模块化优化算法的性能
本文提出了一种基于改进后的 OPTION 本体构建的知识图谱的性能预测模型,并使用模块化算法框架来构建知识图谱,以预测给定算法实例是否能够针对给定问题实例实现某个目标精度。
- RF+clust 用于留一问题外性能预测
研究自动算法配置和性能预测的方法,在机器学习中使用 “留一问题”,分析了随机森林模型和基于余弦相似度测量特征相似性阈值对预测性能的影响,并提出了零样本学习环境下的特征选择问题。
- 表观遗传阻断对动态多目标优化问题的影响
本文研究了在动态多目标优化问题中应用表观遗传机制对现有多目标遗传算法 MOEA/D-DE 的性能进行了比较,并提供了初步的实验证据表明,更多的算法应该探索自然界中丰富的表观遗传机制。