CMA-ES
PulseAugur coverage of CMA-ES — every cluster mentioning CMA-ES across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI智能体通过RFChipAgent实现模拟/射频芯片设计的自动化 · 跟踪2个来源
研究人员开发了RFChipAgent，这是一个利用大型语言模型（LLMs）实现模拟/射频电路端到端设计自动化的新型多智能体系统。该系统集成了用于知识提取的检索增强生成子系统、用于拓扑和电路组装的专用智能体以及混合优化引擎。RFChipAgent旨在显著减轻模拟/射频设计中劳动密集型的特点，这对Wi-Fi 7和6G等新兴标准至关重要。
-
新的模块化 CMA-ES 框架能够系统地研究进化策略
研究人员推出了模块化 CMA-ES (ModCMA)，这是一个灵活的框架，旨在整合和系统地探索协方差矩阵自适应进化策略 (CMA-ES) 的各种修改。该框架允许对采样、选择、重组、步长自适应、矩阵自适应和重启等模块进行可互换使用。ModCMA 促进了新算法变体的创建、比较和自动化配置，从而能够更深入地理解不同的进化策略机制如何相互作用和执行。
-
新的LESS方法将神经网络架构搜索时间缩短至数分钟
研究人员开发了一种新颖的神经网络架构搜索方法LESS（Lightweight Evolutionary Supernet Search），该方法显著减少了计算时间。通过结合简短的热身和CMA-ES分布下的离散搜索，LESS能在数分钟内（仅为先前方法所需时间的一小部分）在CIFAR-10等基准测试中达到具有竞争力的准确率。该方法在不同数据集和搜索空间（包括更大的DARTS空间）中都显示出有效性，突显了其效率和广泛的适用性。
-
新的CMDO算法使用认知记忆进行自适应搜索
研究人员推出了一种名为认知记忆驱动优化（CMDO）的新型优化算法。该算法通过将过去的搜索经验表示为上下文、行为和结果之间的关系来增强基于种群的搜索。CMDO将这些经验组织成不同的记忆类型，并利用它们来指导未来的搜索，不是通过重放过去的解决方案，而是通过重构搜索策略。在基准问题和光伏模型估计上的评估显示出具有竞争力的性能，CMDO表现出问题依赖的有效性，并根据累积的经验影响搜索行为的分布。
-
扩散模型赋能超表面高效逆向设计，构建智能电磁环境
研究人员开发了一个基于扩散的介电谐振器超表面逆向设计框架，旨在为未来的无线系统创建智能电磁环境。该方法在模拟数据上进行训练，学习的是几何形状的分布而非单一映射，从而能够生成多个设计候选。生成的超表面实现了1.39%的低平均百分比误差，显著优于CMA-ES优化和确定性神经网络基线，并且在训练后所需的推理时间极少。
-
LLM引导的框架增强了神经架构搜索代理
研究人员开发了Bi-EZP，一个新颖的双层框架，旨在改进神经架构搜索（NAS）的零成本集成代理的发现。该框架将聚合程序的离散结构优化与其参数的连续校准分离开来。大型语言模型生成可执行的聚合程序，然后使用协方差矩阵自适应演化策略（CMA-ES）进行优化。这些程序在单独的验证集上进行评估，从而使演化过程能够偏好泛化良好的结构。
-
开发出新的整数自然进化策略用于优化问题
研究人员开发了一种名为整数自然进化策略（INES）的新优化策略，该策略原生为整数优化问题设计。与现有方法改编连续高斯模型不同，INES 利用了 $\ell_1$-范数和双几何（DG）分布，这两种方法更适用于整数格点。这种方法允许步长自适应的自然梯度信号，在整数二次基准测试中，尤其是在高维和鲁棒收敛场景下，与 CMA-ES 等既有基线相比，表现出竞争力。
-
JANUS模块通过雅各比对齐增强黑盒优化
研究人员开发了JANUS，一个新颖的即插即用模块，旨在增强基于种群的优化器，如CMA-ES。JANUS从最近的评估轨迹中提取局部几何信号，而无需替换宿主优化器，并为开发和探索候选者估计局部雅各比矩阵。该方法在各种维度上显著多数的BBOB函数上提高了性能，并在结构化和多目标任务（包括无人机路径规划）上取得了最佳结果，且没有离线训练成本。
-
社交媒体模拟模型经校准用于内容审核研究
研究人员开发了SimSoM基于代理的模型的一个校准扩展版本，用于模拟社交媒体动态，特别关注内容审核。该增强模型以COVID-19大流行期间的真实数据为基础，使用CMA-ES优化策略来拟合经验分布。研究表明，与静态评估不同，实时内容审核可能会高估用户封禁的有效性，因为剩余用户会进行补偿性转发，这突显了基于模拟的评估对于内容审核策略的重要性。
-
新的混合框架通过解耦结构和参数来增强 LLM 优化
研究人员开发了一种新颖的混合嵌套搜索框架，旨在提高大型语言模型 (LLM) 在优化任务中的效率。该方法将结构和参数更新解耦，使 LLM 能够专注于提出结构草图，而独立的数值优化器则调整连续参数。该框架已在元优化、基于代码的策略和贝叶斯推理等科学领域得到验证，与传统的 LLM 驱动搜索和纯数值优化方法相比，表现更优。
-
UAV photogrammetry method improves 3D reconstruction accuracy
研究人员开发了一种新的迭代混合离散-连续视点规划方法，专门用于无人机（UAV）摄影测量。该方法通过优化相机网络以获得更好的表面覆盖、图像重叠和视差，旨在提高重建的准确性和完整性。该方法使用摄影测量启发式方法对采样点进行评分，并评估视点的可见性和重叠度，在观察不足的区域周围生成和优化候选视点。最终的飞行路径平衡了详细的局部重建与稳健的全局图像网络覆盖，在合成场景评估中优于先前的方法。
-
新的PSO变体通过自适应梯度和超图拓扑增强优化 · 跟踪4个来源
研究人员开发了增强粒子群优化（PSO）的新方法，PSO是一种元启发式算法。一种方法，自适应混合PSO（AHPSO），根据群体多样性智能地调节梯度影响，在特定类型的问题上表现出改进的性能。另一个框架，AutoPSO，通过探索组件池并利用批量评估提高效率来自动化定制PSO变体的构建。此外，超图辅助粒子群优化（HPSO）利用超图对粒子拓扑进行建模，实现多个粒子之间的直接交互，并在基准套件上显示出有效性。
-
新的 QML 方法提升可训练频率电路性能
研究人员为量子机器学习 (QML) 中的可训练频率 (TF) 电路引入了一种名为三元网格初始化的新技术。该方法解决了先前阻碍 TF 电路在训练期间有效调整其频率频谱的梯度抑制问题。通过将前置因子值设置为三的幂，三元初始化确保从一开始就密切逼近目标频率，从而实现可靠的收敛。与标准的单元初始化相比，实证结果显示性能显著提高，TF 电路在合成基准测试中达到了近乎完美的准确率，并在真实世界数据集上展示了持续的优势。
-
新基准 BBOPlace-Bench 推动 AI 在芯片布局领域的应用
研究人员推出了 BBOPlace-Bench，这是一个新颖的基准测试，旨在评估和推进专门用于芯片布局任务的黑盒优化 (BBO) 算法。该基准测试通过提供一个统一的框架，整合了各种 BBO 问题表述并标准化了芯片案例，以进行全面的算法评估，从而弥补了现有工具的不足。它包含了代表性的 BBO 算法家族，如模拟退火、群体搜索和贝叶斯优化，能够与分析和强化学习基线进行系统的性能比较。
-
混合新方法通过进化算法增强约束优化
研究人员开发了一种新的混合增广拉格朗日（HyAL）方法，该方法结合了增广拉格朗日框架和进化算法在约束优化问题上的优势。这种新颖的方法利用进化技术来解决增广拉格朗日迭代中的子问题，增强了探索能力并有助于跳出局部最优。在基准问题上的实验表明，HyAL能够持续获得高质量的解决方案，其性能优于纯进化方法，并且在高维问题上具有更好的可扩展性。该方法在具有多个局部最小值和鞍点的复杂景观上，也超越了最先进的数值优化算法。
-
NeuronSoup架构在没有反向传播的情况下演进时间图
研究人员开发了NeuronSoup，这是一种新颖的神经计算架构，它偏离了传统的逐层处理。相反，它利用通过共享神经元池进行的异步、延迟介导的信号传播。该架构通过遗传算法演进，在使用冻结的ResNet18特征时，在MNIST数据集上达到了85.9%的准确率。NeuronSoup通过不要求可微分计算图并在每个样本的基础上调整其计算深度来解决当前深度学习的局限性。
-
新方法增强了进化算法处理有噪声优化问题的能力
研究人员开发了一种新的基于置信度的排序方法，以提高进化算法在解决有噪声黑盒优化问题时的效率。该方法采用了一种计算效率高且能够处理同方差和异方差噪声的自适应采样策略。该方法在协方差矩阵自适应进化策略（CMA-ES）和遗传算法（GA）框架内实现，在各种测试问题上均表现出优于现有最先进方法的性能。
-
新的NOTES方法增强了物理系统的逆向设计
研究人员开发了一种名为神经算子驱动的拓扑感知演化策略（NOTES）的新方法，以改进由偏微分方程控制的物理系统的逆向设计。该方法结合了DeepONet神经算子和协方差矩阵自适应演化策略（CMA-ES），以降低设计维度并提高效率。NOTES应用于纳米光子束偏转器和结构优化，与现有方法相比表现出优越的性能，实现了高效率和改进的顺应性。
-
新方法采用进化优化进行实时手术器械跟踪
研究人员开发了一种在机器人辅助微创手术中实时跟踪手术器械的新方法。该方法利用进化优化策略CMA-ES，并将其集成到基于渲染的流程中。通过使用批量渲染同时评估多个姿态候选，该系统显著减少了推理时间并增强了收敛鲁棒性，在合成和真实世界数据集上的准确性和速度方面均优于先前的方法。
-
CMA-ES 入门解释无梯度模型优化
本文解释了协方差矩阵自适应进化策略（CMA-ES），这是一种在没有梯度的情况下优化模型的 方法。CMA-ES 的工作原理是从高斯分布中采样潜在解决方案，保留最成功的解决方案，然后根据问题的局部几何形状调整分布的形状和步长。该入门文章详细介绍了完整的算法、它在导航复杂、狭窄山谷中的有效性，以及一种称为对角线 sep-CMA-ES 的变体，该变体专为高维问题而设计。