Genetic Algorithms
PulseAugur coverage of Genetic Algorithms — every cluster mentioning Genetic Algorithms across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
py-evoFE 使用遗传算法自动化表格特征工程
一个名为 py-evoFE 的新开源Python库已发布，旨在自动化表格机器学习任务的特征工程。它利用遗传算法来发现、组合和优化特征转换，解决了手动特征工程的局限性和暴力方法的计算爆炸问题。该库与scikit-learn管道集成，并利用Polars进行高效计算，提供超过40个内置转换器以及多保真度筛选和岛屿模型并行等高级技术。
-
AI流水线利用LLM和遗传算法自动完成PFD到P&ID的转换
研究人员开发了P&ID Pilot，这是一个旨在自动化流程图（PFD）创建及其向管道和仪表流程图（P&ID）转换的AI流水线。该系统采用结合遗传算法和大型语言模型（LLM）的混合方法来生成最优PFD拓扑，实现更低的损失值并遵守工程规则。对于P&ID阶段，一个基于LLM的代理成功地将PFD转换为P&ID，执行成功率为100%，确保符合领域特定规则。
-
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。
-
新的多智能体框架可自动执行复杂的0D ROM规划
研究人员推出了一种新颖的多智能体框架Z-COPA，旨在自动化零维降阶模型（0D ROM）的规划。该框架利用符号动作图引擎（SAGE）和MILP引导导航（MGN）优化器，将经验性规划过程转化为图结构优化问题。Z-COPA旨在克服手动专业知识和传统优化方法的局限性，通过实现更广泛的拓扑探索并获得全局最优设计，其在飞机发动机二次空气系统、配电和供水网络基准测试中得到了验证。
-
深度学习助力紧凑型宽带功率放大器设计
研究人员开发了一种新颖的深度学习方法，用于设计紧凑型宽带倒置Doherty功率放大器。通过结合卷积神经网络（CNN）和遗传算法（GA），该方法生成了像素化的组合器网络，集成了负载调制和阻抗匹配等多种功能。使用该技术制造的GaN HEMT Doherty PA原型在1.9-2.5 GHz频率范围内实现了51%-63%的峰值效率，并在6-dB回退下保持了48%-54%的效率，输出功率为44 dBm。
-
LLM与遗传算法模拟受管制的社交媒体上的语言演化
研究人员开发了一个新颖的框架，使用大型语言模型（LLMs）和遗传算法（GAs）来模拟在严格内容审核下语言如何在社交媒体平台上演化。该系统具有能够调整其语言策略以绕过或遵守法规的代理，模仿用户行为和平台监督。该框架在涉及密码游戏和模拟非法宠物交易的场景中进行了测试，在扩展对话轮次中显示出显著的沟通改进。一项用户研究证实了模拟语言策略在现实世界中的适用性。
-
AI自动化微波滤波器设计，揭示新颖电场模式
研究人员开发了一种新颖的深度学习方法，用于自动化像素化微波滤波器的设计，克服了传统迭代调谐过程的局限性。该方法结合了卷积神经网络和遗传算法，并通过S参数和电光电场测量进行了实验验证。合成的低通滤波器在仿真和实验结果之间显示出高度一致性，具有7 GHz的通带和超过9.5 GHz的20 dB以上抑制。值得注意的是，电光测量提供了对AI生成设计的电场模式前所未有的见解，揭示了类似于耦合传输线的结构。
-
深度学习通过新颖的合成方法推动Doherty功率放大器设计
研究人员开发了一种使用深度学习设计Doherty功率放大器的新颖方法，特别是深度卷积神经网络（CNN）结合遗传算法（GA）和双态阻抗合成。该方法解决了输出组合器中负载调制、阻抗匹配和相位补偿的复杂集成问题。使用该方法制造的原型在2.6-2.8 GHz范围内实现了超过44.2 dBm的饱和输出功率和高于71.2%的峰值漏极效率，在6 dB回退电平下漏极效率为64%。在数字预失真后，记录到的邻道泄漏比优于-51.3 dBc。
-
HEART框架解决了车辆AI的多模型训练问题
研究人员开发了一个名为HEART的新框架，以解决车-边-云协同分层联邦学习（HFL）中多模型训练的挑战。该框架旨在最小化全局训练延迟并确保跨不同任务的资源均衡分配，这是一个复杂的NP-hard问题。HEART采用混合同步-异步聚合规则和涉及进化算法与贪婪法的两阶段方法来进行任务调度和优先级排序。实验表明，HEART在动态VEC-HFL环境中优于现有方法。
-
代理工具呼应了遗传算法在LLM演进中的作用
代理工具和工具工程的概念正在与早期的遗传算法产生联系。这种方法包括定义适应度函数，例如测试套件或代码质量分析，然后允许大型语言模型进行迭代和演进，直到它们达到指定的阈值。
-
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。