genetic algorithm
PulseAugur coverage of genetic algorithm — every cluster mentioning genetic algorithm across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
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。
-
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。
-
深度学习通过新颖的合并器设计提升功率放大器效率
研究人员开发了一种新颖的深度学习方法，用于设计包含像素化输出合并器网络的Doherty功率放大器（PAs）。该方法利用深度卷积神经网络（CNN）作为电磁代理模型，快速预测这些复杂合并器的性能。通过将此CNN集成到黑盒框架中并采用遗传算法，研究团队成功合成了在更宽功率范围内提高效率的Doherty合并器。原型机展示了令人印象深刻的效率和输出功率，在9 dB回退水平下保持超过52%的漏极效率，并在使用类似5G NR的波形进行测试时，在具有…
-
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。