MOEA/D with Adaptive Weight Adjustment
PulseAugur coverage of MOEA/D with Adaptive Weight Adjustment — every cluster mentioning MOEA/D with Adaptive Weight Adjustment across labs, papers, and developer communities, ranked by signal.
-
新的多目标系统改进了软件开发中的 Bug 定位
研究人员开发了一种新的多目标搜索系统，用于软件开发中的自动化 Bug 定位。该系统旨在通过最大化 Bug 报告与代码之间的相似性来识别潜在的 Bug 类，同时最小化建议的有缺陷文件的数量。在六个开源 Java 项目上使用 SPEA-2 进化优化算法，该方法与现有方法相比，在精确率和召回率方面表现更好，在排名前 10 的推荐中成功识别了 88.5% 的 Bug 报告的 Bug 类。该系统在用 Kotlin 编写的工业 Android 项…
-
海量目标优化算法性能分析
一篇新的研究论文探讨了进化优化算法在面对海量目标（超出通常的“多目标”范围）时的性能表现。该研究使用了一个诊断基准套件来控制问题特性并扩展到极高的目标数量。研究结果表明，问题属性，特别是目标之间的交互，显著影响算法性能，这表明理解这些属性对于选择合适的算法至关重要。
-
OpenOpt框架优化SRAM架构和晶体管尺寸
研究人员开发了OpenOpt，一个用于优化SRAM架构和晶体管尺寸的开源框架。该框架利用等效电路模型实现了显著的仿真速度提升，同时保持了读/写延迟和功耗的高精度。该系统集成了各种优化算法，并已证明在静态噪声容限、面积和峰值功耗方面取得了实质性改进。
-
GOAL diffusion solver 解决了动态多目标优化问题
研究人员推出了一种新颖的扩散求解器 GOAL，用于动态多目标优化问题。与之前仅限于单一目标的方**法**不同，GOAL 采用基于图的方法和异构图编码来处理各种约束类型。通过以用户指定的**目标**为条件，可以实现可控的决策生成。GOAL 在调度基准测试中表现出色，实现了高可行性和准确性，同时在速度上显著优于现有算法。
-
EvoPref算法通过进化优化增强语言模型对齐
研究人员开发了EvoPref，这是一种新颖的多目标进化算法，旨在改进大型语言模型（LLM）的对齐。与可能导致偏好崩溃和狭窄行为模式的传统基于梯度的方法不同，EvoPref维护了针对有用性、无害性和诚实性进行优化的适配器多样化种群。这种方法显著增强了偏好覆盖范围并降低了崩溃率，同时实现了具有竞争力的对齐质量，确立了进化优化作为多样化LLM对齐的可行范式。