A versão final já foi lançada: @YanboZhang3, @BeneHartl e @HananelHazan "Estratégia Evolutiva do Modelo de Difusão Heuristicamente Adaptativa" Resumo: Modelos de Difusão (DMs) e Algoritmos Evolutivos (EAs) compartilham um princípio gerativo central: refinamento iterativo de distribuições iniciais aleatórias para produzir soluções de alta qualidade. DMs degradam e restauram dados usando ruído gaussiano, permitindo geração versátil, enquanto EAs otimizam parâmetros numéricos por meio de heurísticas inspiradas biologicamente. Nossa pesquisa integra esses frameworks, empregando DMs baseados em deep learning para aprimorar EAs em diversos domínios. Ao refinar iterativamente DMs com bancos de dados heuristicamente curados, geramos parâmetros de descendência melhor adaptados, alcançando convergência eficiente para soluções de alta aptidão enquanto preservamos a diversidade exploratória. DMs complementam os EAs com memória profunda, retendo dados históricos e explorando correlações sutis para amostragem refinada. A orientação sem classificadores permite ainda mais controle preciso sobre a dinâmica evolutiva, direcionando características genótipicas, fenotípicas ou populacionais específicas. Essa abordagem híbrida transforma EAs em frameworks adaptativos e aprimorados por memória, oferecendo flexibilidade e precisão sem precedentes na otimização evolutiva, com amplas implicações para modelagem generativa e busca heurística.