演化計算

Kirjaudu sisään

näkemys - 演化計算

本文提出了一種基於深度學習的擴散模型的新型演化策略，該策略利用擴散模型強大的生成能力和對歷史數據的記憶能力，通過迭代優化過程生成高適應性的參數，並能透過分類器自由引導技術，精確控制演化搜索方向，實現對特定基因型、表型或種群特徵的定向進化。

遺傳演算法和變數鄰域搜尋法能有效解決單一倉庫多集合定向問題，其中變數鄰域搜尋法在求解速度和解的品質方面均優於遺傳演算法。

針對現有約束多目標優化演算法在處理二元約束問題（CMOP/BC）上的不足，本文提出了一種基於偵測區域法的新型演化演算法 DRMCMO，有效提升了演算法在求解此類問題時的性能。

本文探討了各種元啟發式算法在解決模板設計問題（TDP）上的應用，特別關注了編碼方案、對稱性破壞和混合化策略的影響，並提出了一種基於插槽的替代問題表述方式，實驗結果表明，某些提出的元啟發式算法在解決特定TDP問題實例時，可以被視為最先進的技術。

本文提出了一種基於模因協作方法的新方法，用於尋找平衡不完全區塊設計 (BIBD)，並探討了不同編碼方案、對稱性破壞技術和協作策略對演算法性能的影響。

本論文提出了一種名為 DRC-BLEA 的動態資源分配框架，用於提高演化雙層優化的效率，其核心思想是通過競爭性準並行範式，將更多計算資源優先分配給更有可能產生優良解的任務，從而減少資源消耗並提升整體收斂速度。

此研究探討將不同超啟發式演算法與啟發式演算法進行高階混合，以有效解決對稱旅行商問題，並比較其效率與解題品質。

大型語言模型（LLM）與演化演算法（EA）的結合為自動化優化提供了新的途徑，LLM 能夠生成和優化解決方案和啟發式演算法，而 EA 則通過迭代搜索來探索複雜的解空間。

本文提出了一種利用演化演算法優化爐石戰記遊戲代理人的方法，透過競爭性共同演化的訓練方式，讓代理人自我學習，並在國際爐石戰記人工智慧競賽中取得佳績，證明了演化計算在開發卡牌遊戲人工智慧方面的潛力。

changepointGA 套件利用基因演算法有效地偵測時間序列資料中的變點，並能同時估計模型參數和變點位置，提升分析的效率和準確性。

Tietoja

Tuotteet

Resurssit