Covariance matrix adaptation evolution strategy based on correlated evolution paths with application to reinforcement learning
PulseAugur coverage of Covariance matrix adaptation evolution strategy based on correlated evolution paths with application to reinforcement learning — every cluster mentioning Covariance matrix adaptation evolution strategy based on correlated evolution paths with application to reinforcement learning across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
FLoRa 架构优化了无人机从能量受限的物联网设备收集数据
研究人员开发了 FLoRa，一种使用无人机 (UAV) 从能量受限的 LoRa 物联网设备收集数据的新型架构。FLoRa 采用多层次优化方法，整合了用于路由的模拟退火、用于定位的协方差矩阵自适应进化策略以及用于探测单个节点的局部可观察马尔可夫决策过程。该系统旨在最大化数据新鲜度和收集效用，同时遵守严格的电池限制，其性能优于现有的元启发式、贪婪和深度强化学习方法。
-
AI混合设计赋能高效的机器人集群视觉导航
研究人员开发了一种新颖的、由AI驱动的为机器人集群设计分布式控制器的方法，使其能够在复杂环境中自主进行视觉导航。该方法结合了多智能体强化学习和神经进化策略，特别是使用交叉熵方法和协方差矩阵自适应进化策略来优化预训练的导航策略。该系统依赖于一个紧凑的神经网络，仅使用单目摄像头图像，优先考虑计算和能源效率，以实现实际的机器人集群部署。仿真实验表明，交叉熵方法控制器比协方差矩阵自适应进化策略的探索覆盖率提高了36.20%，并且基于视觉的策略…
-
新的PACE系统通过减少50%的运行时间来优化AI自适应
研究人员开发了PACE，一种用于无反向传播持续测试时自适应的新系统，该系统可优化归一化层参数。该方法使用协方差矩阵自适应演化策略结合快速投影来有效地适应不断变化的数据分布。PACE通过引入自适应停止准则和专门的向量库，实现了最先进的准确性，并将运行时间与现有的无反向传播技术相比减少了50%以上。
-
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。
-
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。