Evolutionary Algorithms
PulseAugur coverage of Evolutionary Algorithms — every cluster mentioning Evolutionary Algorithms across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的可学习性概念提升离线数据驱动优化性能
研究人员引入了一个名为“算法相关可学习性”的新概念，以解决传统离线数据驱动优化方法的局限性。与要求跨所有区域广泛学习的现有方法不同，这个新框架专注于优化器轨迹上的准确性。这一理论进展促成了“不确定性感知梯度引导轨迹学习”（UGTL）框架的开发，该框架构建和建模改进轨迹以选择多样化的候选解决方案。UGTL在五个Design-Bench任务上表现出色，优于其他25种方法。
-
综述论文详述多智能体AI决策方法
一篇新的综述论文详细介绍了多智能体协同决策领域的进展，该领域对于自动驾驶和灾难救援等复杂任务中的AI系统至关重要。论文将当前方法分为五类：基于规则（包括模糊逻辑）、基于博弈论、基于进化算法、基于深度多智能体强化学习（MARL）以及基于大语言模型（LLMs）推理。论文强调了MARL和基于LLM的方法的显著优势，并讨论了未来的研究方向和挑战。
-
新研究提出将黑盒对抗性攻击作为机器学习优化基准
一篇新的研究论文提出，将黑盒对抗性攻击（BBAA）用作机器学习中全局优化方法的基准。作者认为，当前的基准套件太小，并且依赖于过时的分析函数，可能会导致新优化技术的发展产生偏差。他们证明了进化算法和元启发式算法在解决 BBAA 问题方面的有效性，表明这种方法可以更好地使全局优化与现代机器学习挑战保持一致。
-
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。
-
新论文统一进化计算用于自主交易信号发现
一篇新论文提出了一个统一的进化计算（EC）视角，用于自动化公式化阿尔法发现，这是一个从符号因子空间生成交易信号的过程。该研究引入了一个六个组成部分的框架来分析现有方法，以及一个八维评估框架来指导开发更可靠和自适应的阿尔法发现系统。这种方法旨在解决诸如嘈杂的适应度估计、市场非平稳性和昂贵的历史回测等挑战。
-
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。
-
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。
-
基于方差演化理论分析蝙蝠算法参数设置
本文深入探讨了蝙蝠算法（一种进化计算算法）的参数设置的理论分析。研究人员证明，应用动力学系统理论并分析种群方差演化可以得出有效的参数范围。这种理论方法的结果与数值实验结果一致，为算法的探索、开发和收敛行为提供了见解。
-
论文探讨使用进化算法优化多智能体路径寻找
一项论文项目正在探索使用进化算法来优化终身多智能体路径寻找 (LMAPF) 的指导图。目标是在不改变核心 LMAPF 算法的情况下，提高智能体在网格状图中完成任务的吞吐量。当前的方法包括初始化指导图种群，根据已完成的任务评估其适应度，并迭代优化最佳候选者。然而，研究人员面临模拟种子差异导致的适应度分数变异性以及模拟多个时间步长的计算成本等挑战，这阻碍了有效的进化优化。
-
新的两阶段演化策略优化 PINNs 以提高准确性
研究人员开发了一种新颖的物理信息神经网络 (PINNs) 两阶段超参数优化策略，以解决其对超参数的敏感性和不稳定的收敛性问题。该方法在第一阶段利用演化算法通过低保真度训练快速筛选候选配置。然后，在第二阶段使用标准的基于梯度的优化器对有希望的候选者进行优化。该方法在平流、克莱因-戈登和亥姆霍兹方程上进行了评估，与标准训练相比，在计算约束下证明了更高的准确性和鲁棒性。
-
研究论文发现鲍德温进化和拉马克进化在进化算法中优于达尔文进化
一篇新研究论文在进化算法（EAs）中重新审视了拉马克进化和鲍德温进化，并将其与达尔文进化进行了比较。在最大独立集和最大割问题的六个数据集上的实证结果表明，鲍德温进化和拉马克进化EA在性能上始终优于达尔文进化EA，并且常常超越最近的深度学习基线。理论分析还表明，对于长度大于二的块，鲍德温进化的渐近速度快于拉马克进化，而拉马克进化又快于达尔文进化。
-
新研究详细介绍了进化算法在现实世界优化中的需求
一篇新研究论文探讨了进化算法在现实世界物理信息优化问题中的性能和可解释性要求。研究强调，虽然这些算法提供了强大的工具，但由于过于关注简化问题以及搜索过程的不透明性导致缺乏信任，其在复杂场景中的应用受到阻碍。该论文介绍了五个现实世界的基于物理的优化挑战，并详细说明了进化算法在增强信任和可用性方面的具体需求，强调了快速收敛和可理解的解决方案形成。
-
新方法结合进化算法和MPC实现时限隐私保护优化
研究人员开发了一种新的隐私保护分布式优化方法，该方法解决了时间约束问题。该方法结合了进化算法和安全多方计算（MPC），在保护各方输入的同时找到最优解。在分配问题和旅行商问题上的实验表明，该方法能够满足截止日期要求，尽管它在解决方案质量和隐私保护级别之间存在权衡。