CMA-ES
PulseAugur coverage of CMA-ES — every cluster mentioning CMA-ES across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
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。
-
新的 Bézier 游走演化框架通过自适应几何增强优化
研究人员推出了一种新颖的优化框架 Bézier Walk Evolution (BWE)，该框架使用由几何驱动的自适应轨迹构建。该方法将 Bézier 曲线与随机游走机制相结合，以平衡元启发式优化中的探索和利用。BWE 的自适应曲线阶数允许从广泛的全局搜索平滑过渡到集中的局部精炼，为传统的受自然启发的（优化）设计提供了一种可解释的替代方案。在基准函数和工程问题上的实验表明，与 L-SHADE 和 CMA-ES 等现有优化器相比，BWE…
-
\chisao{}优化器利用GPU进行多模态黑盒函数优化
研究人员开发了\chisao{}，一种新颖的GPU原生并行优化器，旨在高效地找到多模态黑盒函数的所有模式。与盆地跳跃或CMA-ES等顺序CPU方法不同，\chisao{}同时处理整个样本批次。它采用独特的收敛-反收敛振荡周期来逃离局部最优解，同时保留已确认的模式。该优化器表现出卓越的性能，在基准测试套件上实现了100%的模式恢复，并提供了高达34倍于CPU基线的加速，即使在存在显著噪声的情况下。
-
进化算法为强化学习发现新颖的奖励机制
研究人员开发了一个进化框架，用于在深度强化学习中发现发展性奖励机制，旨在探索在训练过程中动机优先级如何转移。该方法将三种受生物学启发的组成部分——自主性、新颖性和反应性——与动态变化的权重相结合。在稀疏奖励的MiniGrid任务上进行测试时，进化方法，特别是L-SHADE和CMA-ES，与手工设计的基线相比，表现和泛化能力均有所提高。有趣的是，发现的机制通常将新颖性作为早期训练信号，这与典型的生物发展模式不同。
-
新理论分析连续空间中的离散IGO收敛性
研究人员开发了一个新的理论框架，用于分析信息几何优化（IGO）在离散、连续空间中的收敛性。这项工作侧重于多变量高斯族内针对强凸二次目标的IGO更新，并结合了全协方差适应和固定学习率。分析表明，在特定条件下，协方差矩阵收敛于零，而均值向量收敛于全局最优值，从而深化了对IGO及其与CMA-ES等实际方法关系的理论理解。
-
StereoFactory框架通过自适应模型融合增强立体匹配
研究人员开发了StereoFactory，一个用于将专业立体匹配模型融合到更鲁棒系统中的新颖框架。该方法采用两阶段进化过程，首先使用遗传算法选择最优模型子集，然后使用CMA-ES优化精炼架构自适应路由。实验表明，与基线方法相比，StereoFactory在NMRF和FoundationStereo等基准测试中显著降低了错误率，同时仅需联合再训练计算时间的一小部分。
-
AI利用强化学习估计食品材料属性
研究人员开发了一种新颖的方法，利用潜在空间强化学习来估计食品断裂模拟中的材料属性，并以橙子剥皮为例进行了演示。该方法训练了一个以目标为条件的近端策略优化（PPO）策略，以从断裂行为描述中预测材料参数，恢复率为0.642。通过进一步增强，包括使用CMA-ES进行热启动，恢复率提高到0.828，为逆向物理学提供了一个实用的框架，并为视觉驱动的材料识别提供了潜力。
-
新的MSC-CMA-ES算法通过面向结构的重启增强了优化能力
一篇新研究论文介绍了一种新颖的面向结构的重启策略MSC-CMA-ES，用于CMA-ES优化算法。与从搜索空间中均匀抽取重启的传统方法不同，MSC-CMA-ES将搜索空间划分为吸引盆，并使用局部缩放参数来启动重启。该方法在复合函数上表现出优越的性能，实现了BIPOP-CMA-ES目标覆盖率的2.7倍，并在基本函数上取得了最佳中值误差，但由于其侧重于景观发现，深度目标覆盖率有所降低。
-
新的MSC-CMA-ES方法通过结构感知重启增强了多模态搜索
研究人员开发了一种名为MSC-CMA-ES的新优化策略，旨在提高CMA-ES算法在多模态搜索场景中的性能。该方法通过将搜索空间划分为吸引盆并在此类盆中进行重启播种，引入了结构感知重启。在各种基准套件上的评估表明，MSC-CMA-ES在组合函数上表现出色，显示出比其他算法高得多的覆盖率，尽管它在基本函数上显示了景观发现与深度目标覆盖之间的权衡。
-
新的双层优化框架解决混合类别-连续问题
研究人员开发了一个新的双层优化框架，用于解决混合类别-连续优化问题，这类问题在各种实际领域中很常见。该方法通过在单独的循环中优化类别和连续变量来显式地建模它们之间的交互。为了提高计算效率，引入了一种热启动策略，利用缓存的配置并迭代更新它们。实验表明，该方法在处理交互方面优于现有技术，并且计算效率更高。
-
CMA-ES 停止准则性能分析
本文分析了 CMA-ES 黑盒优化算法中 11 种不同停止准则的有效性。研究人员在 BBOB 函数集上对这些准则进行了定量评估，重点关注它们在不浪费计算资源的情况下准确确定何时停止搜索过程的能力。研究发现，`tolflatfitness` 和 `tolfun` 经常是第一个被触发的准则，而 `tolfunhist` 和准则的组合组合实现了最高的停止准确性。
-
EvoPref算法通过进化优化增强语言模型对齐
研究人员开发了EvoPref，这是一种新颖的多目标进化算法，旨在改进大型语言模型（LLM）的对齐。与可能导致偏好崩溃和狭窄行为模式的传统基于梯度的方法不同，EvoPref维护了针对有用性、无害性和诚实性进行优化的适配器多样化种群。这种方法显著增强了偏好覆盖范围并降低了崩溃率，同时实现了具有竞争力的对齐质量，确立了进化优化作为多样化LLM对齐的可行范式。