genetic algorithm
PulseAugur coverage of genetic algorithm — every cluster mentioning genetic algorithm across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架STILO优化严格时限下的离散问题
研究人员开发了STILO，一个新颖的元启发式优化框架（MOF），旨在严格时限内为离散优化问题找到高质量的解决方案。STILO集成了蚁群优化（ACO）、遗传算法（GA）和模拟退火（SA）的可配置组件，并结合了新颖和现有的算子。在合成和基准实例上的实验表明，STILO的模拟退火离散距离计算在严格时限下是有效的，并且不同算法族和算子的性能受到问题类型、实例特征和可用计算预算的影响。
-
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…
-
机器学习增强代理模型校准，减少时间和误差
一篇新的研究论文探讨了使用机器学习来改进代理模型（ABMs）的校准。该研究将机器学习代理嵌入遗传算法（GA）和粒子群优化（PSO）中，以筛选模拟候选者，从而降低计算需求。在Brock-Hommes资产定价模型和Island增长模型上进行测试时，与纯优化器相比，最佳的机器学习辅助配置显著降低了均方根误差（RMSE）和计算时间。
-
新的DTMDP模型解决随机需求时序批量定货问题
研究人员开发了一个离散时间马尔可夫决策过程（DTMDP）模型，以解决具有随机需求时序的多品项产能约束批量定货问题。该模型考虑了产能竞争和特定需求延迟等因素。与确定性模型相比，DTMDP模型显著增加了计算需求。为了应对这些复杂性，提出了一种遗传算法（GA），该算法在基准实例上表现出色，平均最优性差距为3.44%，平均优化速度提升了6.89。
-
新的自适应无浏览器系统提高了网络价格提取的准确性
研究人员开发了一种新的自适应无浏览器系统，用于从电子商务网站提取价格数据。该系统结合了 HTML 分块与语法、语义和频率规则，并通过贝叶斯方法进行动态规则加权和遗传算法进行参数优化来增强。与基线方法相比，混合方法将精度从 77.2% 显著提高到 87.3%，并将处理时间缩短了约 14%，为基于浏览器或基于 LLM 的解决方案提供了一种经济高效且准确的替代方案。
-
Transformer模型应用于流式车间调度问题
研究人员开发了一种新颖的流式车间调度方法，采用了Transformer模型，这是一种机器学习架构。该方法将调度视为一个预测下一个token的任务，其中token代表作业-机器-辅助资源分配。模型在混合整数线性规划（MILP）生成的数据上进行训练，然后在推理过程中用于完成部分调度。在计算研究中，这种基于Transformer的方法在解决方案质量上优于遗传算法和其他启发式方法，尽管略逊于MILP和迭代贪婪启发式方法。
-
新的土耳其多模态语料库旨在改进对话式AI的轮次转换
研究人员推出了Real-TurnTurk，这是一个新的多模态土耳其语对话数据集，旨在改进同步对话系统中轮次转换的预测。该数据集包含未脚本化的二元互动同步视频、音频和转录文本。为了预测轮次转换，该研究采用遗传算法，基于视觉、声学和语言特征优化可解释的决策规则，并利用混合AND-OR规则表示。
-
GPU并行化加速大规模旅行商问题求解器
研究人员开发了一种针对广义划分交叉（GPX）算子的细粒度GPU并行化技术，专门用于解决大规模旅行商问题（TSP）。该方法将GPX划分重构为图并行问题，采用合并内存布局和连通分量分析等技术。该方法使用CUDA实现，并行化了诸如路径合并、顶点分割和分量识别等关键步骤。实验表明，对于多达200万个城市的TSP实例，速度提升了48倍至625倍，展示了遗传算法求解器在现代多核架构上的可扩展性得到了提高。
-
新型遗传算法优化港口集装箱装卸
研究人员开发了一种名为 QCDC-DR-GA 的混合遗传算法 (GA)，用于优化港口的集装箱装卸。该算法集成了泊位起重机双循环 (QCDC) 和堆场二次搬运最小化，解决了卸货顺序与堆场计划之间复杂的相互依赖性。实验表明，与现有方法相比，QCDC-DR-GA 可将大型船舶的总操作时间减少 15-20%，为港口在不升级基础设施的情况下提高效率提供了一种经济高效的解决方案。
-
新的GNN-GA算法优化物理互联网供应链
研究人员开发了一种新颖的图神经网络引导遗传算法（GNN-GA），用于优化物理互联网框架内的复杂供应链网络。该方法结合了离散分配决策和连续流量问题，解决了成本不确定性问题。GNN组件有助于初始化遗传算法的种群，并根据预测不确定性调整变异策略，在测试中表现优于标准的遗传算法和模拟退火。
-
AI模型加速肝脏肿瘤消融计划制定
研究人员开发了一个基于物理指导的深度学习模型，以加速肝脏肿瘤微波消融（MWA）的计划制定。该模型基于多物理场仿真数据进行训练，在一个也包含遗传算法的计划框架内充当快速前向模型。与临床医生定义的计划相比，该系统在消融效率和减少器官损伤方面取得了95.1%的Dice分数，并显示出显著的改进，同时比传统的基于仿真的计划快约420倍。
-
VLM驱动的遗传算法通过主观评估进化虚拟机器人
研究人员开发了一个新颖的框架，将来自视觉语言模型（VLM）的主观评估整合到用于进化虚拟软机器人的遗传算法中。通过向VLM呈现机器人运动的图像序列，并使用“可爱地”和“奇怪地”等主观术语进行成对比较，该系统指导形态和运动的进化。与随机选择相比，这种VLM驱动的选择加速了种群收敛，并产生了与评估术语相对应的不同表型。一项包含人类参与者的实验表明，进化结果在定性上具有相似性，尽管存在一些个体选择差异和重复评估带来的明显疲劳。
-
遗传算法优化学生学业资源分配
研究人员开发了一种遗传算法，用于优化高中数学学生的学业资源分配。该方法解决了资源选择的NP-hard复杂性问题，当目录较大时，计算会变得非常具有挑战性。该算法与约束修复机制相结合，在实验评估中表现出快速收敛、高质量的解决方案和稳定性，表明其在教育领域实时决策支持方面的实用性。
-
ConceptCF 方法增强了时间序列数据的 AI 可解释性
研究人员推出了一种名为 ConceptCF 的新方法，用于为时间序列数据生成反事实解释。该方法侧重于修改数据中人类可理解的概念，而不是单个点或子序列，以增强 AI 模型在医疗保健和预测性维护等关键领域的解释能力。通过将时间序列分解为诸如尺度和频带等概念，ConceptCF 使用遗传算法创建更有意义和可理解的反事实。评估表明，ConceptCF 在解释质量的关键指标上优于五种现有方法。
-
无序 kirigami 超材料实现可编程各向异性
研究人员开发了一种新颖的 kirigami 超材料方法，通过引入受控的无序性，超越了传统的周期性切割图案。这种工程化的无序性实现了可编程的各向异性，并显著降低了伸长与剪切之间的耦合，从而能够制造出沿着一个轴拉伸而无寄生剪切的材料。研究人员使用了一种几何感知图神经网络，并结合遗传算法进行训练，以探索复杂的设计空间并预测力学响应，这些响应随后在弹性体样品中成功制造并得到验证。
-
新AI框架优化氢气泄漏检测传感器
研究人员开发了一种新颖的计算框架，用于优化封闭基础设施（如车辆停车场）中氢气泄漏的传感器布局。该系统集成了计算流体动力学（CFD）、遗传算法（GA）和DeepSets神经网络代理模型。优化的布局在60秒内实现了96.1%的检测率，并显著减少了盲区，优于均匀和随机布局。
-
男人圈的“睾酮狂热”与军队士兵的讨论
该条目讨论了“男人圈的睾酮狂热”及其对军队士兵的潜在影响，并提到了“战争高睾酮部”。它还提到了“Optimizer”，这是The Verge的一份新闻通讯，涵盖了小工具和技术，包括人工智能、网络安全和开源主题。该条目包含一张由Andrew Harnik/Getty Images拍摄的照片。
-
新的AI方法以更高的效率和可靠性优化模拟电路设计 · 跟踪3个来源
两篇新研究论文介绍了优化模拟电路的新颖方法。Lighthouse RL采用具有战略重置点的样本高效强化学习方法来提高性能和泛化能力。SPECS受NEAT启发，使用遗传算法进行联合拓扑和尺寸优化，在解决方案质量和可靠性方面优于现有方法。
-
AI框架优化遗传算法超参数用于材料设计
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。该系统在贝叶斯优化（BO）框架内，结合了高保真度快速傅里叶变换（FFT）均质化、中保真度3D卷积神经网络代理模型以及低保真度高斯过程（GP）代理模型。研究发现，logNEI采集函数表现最佳，并且惩罚性BO目标在保持机械性能的同时，将所需的晶格数量减少了24%。
-
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。