differential evolution
PulseAugur coverage of differential evolution — every cluster mentioning differential evolution across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
综述论文详述一像素攻击并提出人工智能安全监管
一篇新发表在arXiv上的综述论文详细介绍了“一像素攻击”（One-Pixel Attacks, OPAs）的研究现状。OPA是一种深度学习中的对抗性攻击，通过修改单个像素即可导致模型误分类。该论文综合了2017年至2026年的研究，提供了OPA研究的分类，包括算法基础、防御机制和特定领域的漏洞。论文强调了基于差分进化策略的普遍性，并指出了数据集多样性和评估标准方面存在的持续性差距。该综述还提出了一个人工智能安全治理的监管框架。
-
EvE 优化器为神经网络搜索提供比 Adam 更快的替代方案
研究人员推出了一种名为 EvE (Evolutionary Explorer) 的新型优化器，旨在成为神经网络中超参数和架构搜索比 Adam 更快的替代方案。EvE 采用基于种群的差分进化方法，并结合了有针对性的 Adam 回退机制，显著降低了每次迭代的成本，同时保持了具有竞争力的性能。在对各种基准测试和神经网络任务的评估中，EvE 证明了搜索完成时间的缩短，以及与 Adam 相当或略低的最终质量，使其成为预算受限优化场景的有前途的工具。
-
LLM驱动的差分进化算法增强投资组合优化
研究人员开发了一种名为LLMDE的新算法，该算法将大型语言模型（LLM）集成到差分进化中用于投资组合优化。该方法旨在通过使用LLM根据优化反馈动态选择变异策略和配置参数，从而减少手动调整超参数的需求。LLMDE算法在CEC2022基准套件上进行了测试，并应用于解决条件在险价值（CVaR）投资组合优化问题，展示了具有竞争力的性能以及LLM辅助优化技术的潜力。
-
新的LAMDE框架优化了用于WSN数据传感的无人机路径规划
研究人员开发了一种新颖的学习辅助框架，称为景观感知元差分进化（LAMDE），用于优化无人机（UAV）在无线传感器网络（WSN）数据传感中的路径规划。该方法解决了现有方法的一些局限性，例如缺乏对未见任务的适应性以及过度依赖简化的环境模型。LAMDE采用双层优化策略，其中元策略学习低层差分进化算法的适应性规划策略，并结合景观感知数据增强以提高实际部署性能。
-
大型语言模型驱动的自动优化基准生成新演化框架
研究人员开发了一个利用大型语言模型（LLMs）自动生成优化基准的演化框架。这个由LLM驱动的演化基准生成器（LLM-EBG）旨在克服现有的人工基准的局限性（这些基准通常无法代表真实世界问题的复杂性）以及创建真实世界基准的高成本。该框架利用LLM作为演化算子，在灵活的表示空间内创建和改进基准问题。在一项案例研究中，LLM-EBG成功生成了在80%以上的时间里，遗传算法始终优于差分进化算法的问题，证明了该框架能够创建具有特定几何特征、为特…
-
新的黑盒攻击方法ColorFD针对遥感目标检测器
研究人员开发了ColorFD，一种新颖的、用于遥感目标检测的黑盒物理对抗性攻击方法。该方法利用多个纯色补丁，通过差分进化优化其位置和颜色。ColorFD在对抗YOLOv3u、YOLOv5u和Faster R-CNN等检测器方面表现出有效性，优于现有的黑盒补丁攻击，并与白盒方法保持竞争力。实际世界实验证实了这些优化补丁从数字模拟到真实世界成像条件的迁移能力。
-
SOMA和差分进化算法的新分析已发布
本文介绍了一种算子选择分解方法，用于分析自组织迁移算法（SOMA）和差分进化（DE）算法的提议几何。研究表明，标准的SOMA提议在搜索空间中是仿射的，在增强状态下是线性的，并提供了插值、投影和掩码的解释。对于DE/rand/1/bin，本文推导了有限种群矩，并表征了协方差和坐标依赖性。在BBOB基准测试上的实验表明，几何控制和旋转感知的SOMA变体优于标准的SOMA，并与已建立的DE方法具有竞争力。
-
贝叶斯优化改进 PCSEL 设计以用于光通信
研究人员开发了一种可靠性感知的贝叶斯优化方法，以改进 1310 nm 光子晶体表面发射激光器 (PCSELs) 的设计。该方法将有限差分时域求解器与贝叶斯优化循环耦合，在每次模拟后更新代理模型以选择下一个几何形状。该方法将波长和光束质量要求与经过可靠性调整的指标相结合，与传统的差分进化和拉丁超立方采样等方法相比，显著提高了高 Q 值 PCSEL 候选的产量。
-
新的无监督多核学习方法用于自动化算法选择
研究人员开发了一种新颖的无监督多核学习方法，用于黑盒优化的自动化算法选择。该方法在聚类阶段不依赖性能标签，而是根据异构景观表示对问题实例进行分组。该方法利用多核k-means公式，在四个不同的景观视图（ELA、DeepELA、DoE2Vec和TransOptAS）中学习聚类分配和核权重。在差分进化和粒子群优化任务上的评估表明，这种无监督方法取得了强大的性能，特别是对于差分进化，并且在粒子群优化方面与领先的基线方法相比仍具有竞争力。
-
深度强化学习优化农场和仓库的电池管理
两篇新研究论文探讨了深度强化学习（DRL）在不同情境下优化电池管理的应用。一篇论文详细介绍了一个用于爱尔兰奶牛场的多智能体DRL系统，旨在通过优化电池用于能源套利来提高可再生能源整合并减少排放，显示出高达18%的潜在利润增长。另一篇论文则关注仓库中自主移动机器人的动态电池管理，使用近端策略优化（PPO）将订单完成率提高高达6%，并减少充电时间。
-
新的超椭球密度采样加速高维优化
一种名为超椭球密度采样（HDS）的新采样策略已被开发出来，以改进高维优化。HDS通过在搜索空间中定义超椭球来生成非均匀采样序列，利用无监督学习算法专注于统计上更有希望的区域。当使用差分进化在CEC2017基准函数上与Sobol等均匀QMC方法进行测试时，HDS在最终解的几何平均误差方面显示出统计学上的显著改进，性能提升范围从11%到37%，具体取决于维度。
-
DE-2LS 通过后期局部搜索增强差分进化算法以实现优化
研究人员推出了一种新颖的差分进化算法变体 DE-2LS，旨在增强数值优化。该方法集成了一个轻量级的局部搜索组件，该组件仅在优化过程的后期激活。这种受控的精炼策略旨在提高寻找最优解的准确性和速度，在基准测试中优于 RDEx 等现有框架和其他竞争算法。
-
软件工程师在整体规定性AI系统方面遇到困难
一位软件工程师在维护一个复杂的、整体的规定性推荐系统时遇到了困难，该系统使用XGBoost和差分进化构建。该系统的单一存储库包含了从数据摄取到后处理的所有组件，使得理解和更新变得困难。工程师面临着通用且过时的文档带来的日常挑战，导致需要不断进行“打补丁”，并感到不知所措。
-
新框架自动调整张量分解模型的超参数
研究人员开发了一个使用差分进化（DE）的自动化框架来优化张量分解（LFT）模型的超参数。这种DE-LFT方法旨在减少通常用于调整LFT模型的手动工作和计算资源，LFT模型用于分析大型动态网络。通过将DE集成到LFT训练过程中，该框架自适应地搜索最优正则化参数，并在真实数据集上得到验证，从而提高了预测准确性。
-
群体智能提升生物神经网络的记忆能力
研究人员探索了使用受生物启发的优化算法来增强基于生物连接组的神经网络的记忆能力。通过将粒子群优化和鲸鱼优化算法等技术应用于源自六种不同物种的回声状态网络的突触权重，他们发现了性能的显著提升。特别是鲸鱼优化算法，在某些情况下展示了显著的收益，包括记忆容量增加了17倍。
-
新模型结合差分进化和梯度下降进行数据表示
研究人员开发了一种新的集成潜在因子模型（ELFM-DEGDO），旨在更好地表示高维和不完整数据。该模型独特地结合了差分进化和梯度下降优化技术，使得两个不同的潜在因子模型能够协同工作。一种自适应加权机制融合了这两个模型的输出，旨在产生比传统仅使用梯度下降的方法更全面、偏差更小的表示。在三个数据集上的实验表明，ELFM-DEGDO的性能优于几种现有的潜在因子模型。
-
新研究揭示AI优化景观表示之间的一致性问题
一篇新论文评估了黑盒优化中使用的四种主流景观特征表示法：ELA、DeepELA、TransOptAS 和 DoE2Vec。研究发现，每种表示法都以不同的方式组织问题空间，其中 ELA 和 TransOptAS 形成紧凑的几何结构，DeepELA 提供均衡的视角，而 DoE2Vec 则显示出语义一致性但存在碎片化。研究表明，这些表示法捕捉了问题景观的互补方面，并提出没有任何单一表示法能够完全将结构描述与观察到的算法性能对齐。
-
新型四元数算法增强数值优化
研究人员开发了一族新的四元数微分进化（QDE）算法，用于数值函数优化。这些算法直接在四元数空间中运行，利用其独特的代数和几何特性。在BBOB基准测试上的初步结果表明，这些QDE变体在优化各种函数类别时收敛更快，并且优于传统的实值微分进化算法。
-
量子启发式优化解决非凸机器学习问题
研究人员引入了一个名为量子启发式进化优化（QIEO）的新框架，用于解决机器学习中复杂的非凸优化问题。该方法使用受量子叠加启发的概率表示来维护搜索空间的全局视图，使其能够逃脱阻碍传统方法的局部最优解。QIEO在稀疏信号恢复和鲁棒线性回归等应用中进行了评估，在结构保真度和准确性方面优于最先进的求解器。