Nsga Ii Algorithm
PulseAugur coverage of Nsga Ii Algorithm — every cluster mentioning Nsga Ii Algorithm across labs, papers, and developer communities, ranked by signal.
-
SPEA2+算法改进了多目标优化的密度估计
研究人员推出了SPEA2+，这是强度帕累托进化算法2（SPEA2）的一个增强版本，专为多目标优化问题设计。新变体解决了SPEA2在被支配解的密度估计方面的局限性，而这些局限性此前阻碍了其在某些基准测试上的效率。SPEA2+利用所有成对距离进行适应度分配，提高了其性能，并实现了与NSGA-II和SMS-EMOA等其他领先算法相当的保证。
-
SNAC-Pack 自动化 FPGA 的神经架构搜索
研究人员开发了 SNAC-Pack，这是一个开源框架，旨在自动化专门用于 FPGA 的神经架构搜索 (NAS) 过程。该软件包通过考虑简单的准确性或代理指标之外的多维硬件预算，解决了现有 NAS 方法的局限性。SNAC-Pack 采用多目标全局搜索和硬件代理模型来估算资源利用率和延迟，从而显著减少了 FPGA 部署所需的时间和精力。
-
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。
-
新型SNAC-Pack为FPGA自动化神经架构协同设计
研究人员开发了SNAC-Pack，这是一个开源框架，旨在自动化神经架构的协同设计及其在FPGA上的部署。该软件包采用多目标全局搜索策略，并结合硬件代理模型来估算资源使用和延迟，从而在搜索过程中避免昂贵的综合。SNAC-Pack已被证明在发现用于大型强子对撞机中的喷流分类和超导量子比特读出等任务的紧凑型架构方面非常有效，显著缩短了设计探索时间，同时保持或提高了性能。
-
新算法优化 LLM 提示以降低成本和提高性能
研究人员开发了 MO-CAPO，这是一种旨在通过同时考虑性能和推理成本来优化大型语言模型 (LLM) 提示的新算法。与以往通常只优先考虑性能的方法不同，MO-CAPO 采用多目标方法，有效地探索这些相互竞争因素之间的权衡。该算法旨在为实践者提供一套多样化的提示，在模型准确性和计算成本之间提供各种平衡，并在多项评估中优于现有的多目标基线。
-
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。
-
深度学习从病理图像预测乳腺癌亚型
研究人员开发了一个新的深度学习框架，使用组织病理学图像对乳腺癌亚型进行分类，有可能减少对昂贵分子检测的需求。该方法采用多目标斑块选择策略，结合遗传算法和不确定性估计，以识别用于分类的信息性图像斑块。该方法在内部和外部数据集上均取得了较高的F1分数和AUC值，证明了其通过提供计算效率高、基于成像的替代方案来支持临床决策的潜力。