PSO-lite
PulseAugur coverage of PSO-lite — every cluster mentioning PSO-lite across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的MMAO-Cls方法通过紧凑的特征选择优化分类模型
研究人员开发了MMAO-Cls，这是一种新颖的方法，它将代谢多智能体优化器（MMAO）应用于分类模型选择。该方法联合编码特征掩码和分类器超参数，并纳入特征预算适应和正则化机制。虽然MMAO-Cls在表格基准测试中表现出竞争力，在总体目标排名第二，并在部分方法的留出测试性能上有所提高，但其在特征子集紧凑性方面的优势比其社区共享优势更明确。
-
新的MMAO-Cls方法优化特征选择和分类器调优
研究人员开发了MMAO-Cls，这是一种利用代谢多智能体优化器（MMAO）来选择特征和调整机器学习模型中分类器的新方法。该方法联合编码特征掩码和分类器超参数，旨在优化准确性-复杂性权衡。虽然MMAO-Cls实现了强大的聚合验证目标分数，排名第二（仅次于GA-lite），但其在保留测试数据上的表现优于RandomSearch和GA-lite，尽管尚未达到统计学显著性。值得注意的是，MMAO-Cls在所比较的方法中展示了最紧凑的特征子集使用。
-
MMAO框架在大规模实证评估中表现强劲
一篇新论文评估了代谢多智能体优化器（MMAO）框架，重点关注其在严格预算控制下的资源分配原则。该研究采用大规模实证协议，涵盖八个CEC2017函数和五个TSPLIB实例，并将MMAO与PSO-lite和迭代贪婪2-opt等基线进行比较。结果表明，MMAO在连续和路由基准测试中优于外部基线，其消融变体与完整方法相比表现更接近，而与外部竞争者相比则有较大差距。该研究验证了MMAO作为一个跨领域自适应框架，特别是在内源性资源再分配方面，并建…
-
Metabolic Multi-Agent Optimizer (MMAO) 框架在基准测试中得到验证
一篇新论文使用更严格的经验协议评估了代谢多智能体优化器 (MMAO) 框架。该研究在连续和离散基准测试（包括 CEC2017 函数和 TSPLIB 实例）上测试了 MMAO 的资源分配原则。结果表明，MMAO 在连续和路由任务上优于外部基线，突显了其在压力下内源性资源重新分配方面的优势。研究还呼吁更清晰的机制隔离和更广泛的竞赛级比较。
-
新的AI框架通过多智能体精炼解决优化问题 · 跟踪4个来源
研究人员推出OptiAgent，一个多智能体框架，旨在将运筹学问题的自然语言描述转化为求解器就绪的数学公式和可执行代码。该系统采用专门的智能体进行结构提取和迭代自我纠正，并设有一个新颖的多循环验证架构来处理各种故障模式。另外，一个名为MMAO-Dyn的新变体已被开发出来，它通过将内部状态映射到非平稳环境来扩展代谢多智能体优化器（MMAO）以处理动态优化问题。MMAO-Dyn在动态连续优化任务中的性能优于几种基准方法。