genetic algorithm
PulseAugur coverage of genetic algorithm — every cluster mentioning genetic algorithm across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
贝叶斯优化框架增强了材料科学中遗传算法超参数的调优
研究人员开发了一个多保真度框架，用于优化晶格材料设计的遗传算法 (GA) 超参数。该框架在贝叶斯优化 (BO) 方法中结合了高保真度快速傅里叶变换 (FFT) 均质化、中保真度 3D 卷积神经网络和低保真度高斯过程。研究发现，logNEI 采集函数最有效，而惩罚性 BO 目标在保持性能的同时减少了所需晶格的数量。这种优化方法在 25 代 GA 运行中实现了与完整 75 代运行相当的弹性模量值，将计算成本降低了 24%，并消除了对晶格突变的需求。
-
新启发式算法计算量大幅减少，性能媲美先进路径规划算法
研究人员为动态多车路径规划问题开发了一种新的奖励密度启发式算法，称为效率启发式算法。该算法旨在最大限度地提高车队在规定时间内收集的累积奖励，同时随着新任务的出现不断重新规划。在自动无人机任务分配和城市出租车调度等应用中进行了测试，效率启发式算法的性能与先进的元启发式算法相当，但所需的计算时间显著减少，确立了帕累托优势。
-
遗传算法在高维人工智能搜索中模拟了裁剪梯度下降
研究人员已经证明，遗传算法可以在高维搜索空间中有效地充当一种裁剪梯度下降。这个过程涉及变异-选择机制，它们在不直接计算的情况下隐式地遵循损失函数的梯度。由于噪声，遗传算法比传统的梯度下降慢，但其性能取决于损失函数Hessian的有效秩，这可能远小于参数的总数，尤其是在神经网络损失景观中。这一特性可能解释了遗传算法在复杂、高维问题中的可扩展性。
-
新的GAversary工具可生成针对NLP模型的对抗性攻击
研究人员开发了GAversary，这是一种新颖的混合遗传算法，旨在针对自然语言处理模型生成对抗性攻击。这种黑盒方法仅需要模型的logit输出来指导其漏洞搜索。GAversary利用GloVe嵌入来提出语义上相似的词语替换，显著降低了目标模型在基准数据集上的准确性。在一个实例中，它将准确性从76.8%降低到5.8%，优于现有的BAE和A2T攻击，尽管它扰动了更多的词语并且运行时间稍长。
-
新的遗传算法在黑盒环境中攻击LLM越狱
研究人员开发了GAS-Leak-LLM，一种使用遗传算法越狱大型语言模型（LLM）的新方法。该技术在黑盒环境中运行，意味着它不需要访问模型的内部参数。通过迭代应用选择、变异和交叉等遗传算法原理，该系统会演化对抗性后缀，以绕过安全限制和内容审核机制。研究结果突显了当前LLM安全措施的重大漏洞，并证明了这种攻击的实际可行性。
-
热力学硬件大幅降低药物开发优化的能耗
研究人员开发了一种使用热力学硬件进行药物开发密码子优化的方法，该硬件利用热涨落进行计算。这种方法应用于 SARS-CoV-2 刺突蛋白，在优化质量上与现有方法相当，但与 GPU 相比，估计能节省六个数量级的能源。这项包含开源代码的研究标志着首次将具体的药物应用映射到这种新型硬件上。
-
模糊逻辑和遗传算法优化电网储能
研究人员开发了一个新颖的优化框架，该框架集成了模糊逻辑和遗传算法来管理有源配电网中的储能和发电。该方法使用模糊集表示可再生能源、负荷模式和市场价格来模拟系统不确定性，例如天气变化和用户需求波动。遗传算法然后结合这些模糊元素，即使在不确定的条件下也能提高系统稳定性和优化运营成本。在IEEE-69电力系统上的模拟表明，与传统的确定性方法相比，这种模糊遗传算法策略能够有效减少技术约束并避免不可行的网络适应。
-
新型混合算法解决旅行商问题
研究人员开发了一种新的混合元启发式方法来解决旅行商问题（TSP），这是一个复杂的优化挑战。该方法集成了以其全局搜索能力而闻名的蜻蜓算法（Dragonfly Algorithm）和使用记忆进行局部优化解决方案的禁忌搜索（Tabu Search）。这种组合策略旨在通过广泛探索然后微调有希望的结果来提高路线质量，在基准实例上表现优于单独的算法。
-
新框架无需接触式传感器即可估算多体系统动力学
研究人员开发了一种新的光力学框架，无需直接接触力传感器即可估算多体系统的动力学。该方法使用图像测量的运动学数据作为约束多体模型的非接触式输入。通过最小化预测运动学与测量运动学之间的差异，遗传算法识别未知的关节扭矩，展示了在挑战性环境中进行动态估算的潜力。
-
混合GAN-GA方法精炼图生成以提高真实性
研究人员开发了一种新颖的混合方法，结合了生成对抗网络（GANs）和遗传算法（GAs），以改进真实图结构化数据的生成。该方法使用GA精炼由GAN框架生成的图，引导合成图更好地匹配真实世界的结构模式，如度分布和谱分布。实验表明，这种演化精炼能有效纠正残余偏差，提高生成图在合成和数据增强方面的适用性。
-
新型LLM智能体Auto-Robotist创建可复用机器人设计技能
研究人员开发了Auto-Robotist，这是一个LLM智能体，旨在通过从搜索试验中创建可转移的技能库来改进机器人设计流程。该系统将设计知识提炼成明确的、可检查的规则和原型，超越了传统的无记忆进化循环。Auto-Robotist在各种任务的机器人设计搜索中表现出显著的改进，并成功地将学习到的技能转移到更大的设计空间，性能优于标准的遗传算法。
-
机器学习通过减少特征来增强智能电网异常检测
研究人员开发了一种机器学习方法来检测智能电网中的网络物理异常，旨在区分物理故障和恶意网络攻击。该方法利用遗传算法进行特征选择，减少了所需的测量数量，同时提高了检测准确性。基于树的集成模型，特别是 Extra Trees，表现出最高的有效性，在特征集大大减少的情况下实现了更高的宏F1分数和ROC-AUC。
-
作者驳斥“生物性别”概念，引用遗传学细微差别
作者认为，单一的“生物性别”概念是一种歪曲，因为生物学家根据可观察的特征和遗传分析来分配性别，而这些结果可能不同。他们认为，“性别批判”的盟友和“基督法西斯偏执狂”对这种细微差别一无所知。作者旨在重新审视遗传编码和表达，以开发程序化类似物，并引用了遗传算法。
-
遗传算法在训练新型医疗AI模型方面优于梯度下降
一篇新研究论文探讨了遗传算法（GA）与梯度下降（GD）在训练一种名为DEBI-NN的新型神经网络架构方面的有效性，该架构使用距离编码作为其连接权重。研究发现，在各种医疗数据集的分类任务中，GA始终优于GD，实现了更优的决策边界和性能。GD在DEBI-NN固有的复杂空间编码模式方面遇到了不稳定性问题且未能捕捉到，这凸显了基于梯度的方法在此类架构中的局限性。
-
AI代理面临新的提示注入和后门攻击
研究人员正在开发新的方法来攻击和防御用于软件逆向工程和网络安全的人工智能代理。一种方法使用遗传算法将恶意提示注入AI代理，导致它们误解代码并绕过检测系统。其他研究侧重于检测和混淆这些提示注入攻击，以及防御嵌入代理工作流程中持久控制的多步木马攻击。此外，一个名为CVE-Factory的框架自动化了用于训练和评估代码安全代理的可执行漏洞任务的创建，展示了Qwen3-32B等模型显著的改进。