La version finale est sortie : @YanboZhang3, @BeneHartl, et @HananelHazan "Stratégie Évolutionnaire de Modèle de Diffusion Heuristiquement Adaptatif" Résumé : Les Modèles de Diffusion (MD) et les Algorithmes Évolutionnaires (AE) partagent un principe génératif fondamental : le raffinement itératif de distributions initiales aléatoires pour produire des solutions de haute qualité. Les MD dégradent et restaurent les données en utilisant du bruit gaussien, permettant une génération polyvalente, tandis que les AE optimisent les paramètres numériques à travers des heuristiques inspirées biologiquement. Notre recherche intègre ces cadres, en employant des MD basés sur l'apprentissage profond pour améliorer les AE dans divers domaines. En raffinant itérativement les MD avec des bases de données soigneusement élaborées, nous générons des paramètres descendants mieux adaptés, atteignant une convergence efficace vers des solutions à haute fitness tout en préservant la diversité exploratoire. Les MD augmentent les AE avec une mémoire profonde, conservant des données historiques et exploitant des corrélations subtiles pour un échantillonnage affiné. L'orientation sans classificateur permet en outre un contrôle précis sur la dynamique évolutive, ciblant des traits genotypiques, phénotypiques ou de population spécifiques. Cette approche hybride transforme les AE en cadres adaptatifs améliorés par la mémoire, offrant une flexibilité et une précision sans précédent dans l'optimisation évolutive, avec de larges implications pour la modélisation générative et la recherche heuristique.