Ostateczna wersja jest dostępna: @YanboZhang3, @BeneHartl i @HananelHazan "Heurystycznie adaptacyjna ewolucyjna strategia modelu dyfuzji" Abstrakt: Modele dyfuzji (DM) i algorytmy ewolucyjne (EA) dzielą wspólną zasadę generacyjną: iteracyjne udoskonalanie losowych początkowych rozkładów w celu uzyskania wysokiej jakości rozwiązań. DM degradują i przywracają dane przy użyciu szumów Gaussa, co umożliwia wszechstronną generację, podczas gdy EA optymalizują parametry numeryczne za pomocą heurystyk inspirowanych biologicznie. Nasze badania integrują te ramy, wykorzystując oparte na głębokim uczeniu DM do wzmocnienia EA w różnych dziedzinach. Poprzez iteracyjne udoskonalanie DM z heurystycznie dobranymi bazami danych, generujemy lepiej dopasowane parametry potomne, osiągając efektywną konwergencję w kierunku rozwiązań o wysokiej sprawności, jednocześnie zachowując eksploracyjną różnorodność. DM wzmacniają EA głęboką pamięcią, zachowując dane historyczne i wykorzystując subtelne korelacje do udoskonalonego próbkowania. Kierowanie bez klasyfikatora dodatkowo umożliwia precyzyjną kontrolę nad dynamiką ewolucyjną, celując w konkretne cechy genotypowe, fenotypowe lub populacyjne. To hybrydowe podejście przekształca EA w adaptacyjne, wzbogacone pamięcią ramy, oferując bezprecedensową elastyczność i precyzję w optymalizacji ewolucyjnej, z szerokimi implikacjami dla modelowania generatywnego i wyszukiwania heurystycznego.