进化算法相关 AI 资讯 · AI 热点

8月19日

11:43

11:43

官方账号arXiv cs.AI@Matthew Siper, Ahmed Khalifa, Julian Togelius

研究团队在Sokoban、Zelda、Dangerous Dave和Lode Runner四个游戏领域，通过语言模型的变异和交叉操作进化完整的Python生成器。他们引入了持续抽象发现(CAD)方法，从高适应度程序中提取可重用的原语到运行特定辅助模块，并在2x2实验中与固定手写领域API结合。数据集包含160次完整运行，每个单元格至少有10次50代运行，CAD在所有八个领域和API比较中提高了平均最终最佳适应度。

论文 Python CAD 程序生成

推荐理由：研究人员提出CAD方法，从进化程序中自动提取可重用原语，显著提升程序化内容生成质量。

7月13日

10:27

10:27

官方账号arXiv cs.AI@Danial Ramezani, Mostafa Abouei Ardakan

本文提出增强策略用于多目标进化算法（MOEA），解决基数约束下的NP-hard大规模投资组合优化问题。新方法包括独特解表示、新算子及修复机制，设定资产数量的上下限。在标准市场指数基准上测试，定制算法相比传统MOEA不仅提供更优近似解，且收敛更快，随资产数量增加性能不降。

论文投资组合优化进化算法基数约束

推荐理由：这篇论文给投资组合优化问题搞了一套新的进化算法方案，收敛快结果好，做量化研究的可以看看。

6月11日

11:07

11:07

官方账号arXiv cs.AI@Duc-Cuong Dang, Andre Opris, Dirk Sudholt

本文首次对 SPEA2 算法中处理支配解的部分进行了运行时分析，发现其在 OneTrapZeroTrap 基准上无法像 NSGA-II 等算法一样高效覆盖帕累托前沿。问题根源在于使用 k 近邻距离进行适应度分配，导致对支配个体的多样性维持不足。为此，作者提出改进版本 SPEA2$^+$，采用所有成对距离进行密度估计，在复杂问题上达到与其他主流算法相同的性能保证，同时在简单问题上保持原算法表现。实验验证了理论分析的正确性。

论文多目标优化进化算法 SPEA2

推荐理由：多目标优化研究者终于有了 SPEA2 的理论短板分析——原版在支配解处理上存在盲区，SPEA2$^+$ 的改进思路（全距离密度估计）简单有效，做进化算法理论或应用的团队值得关注。

5月20日

11:35

11:35

官方账号arXiv cs.LG@Nico Pelleriti, Sree Harsha Nelaturu, Zhanke Zhou, Zongze Li, Max Zimmer, Bo Han, Sebastian Pokutta

精选72°

最新研究指出，将 LLM 与进化搜索结合的编码智能体在数学发现和算法设计上表现强劲，但进步可能源于多种机制：新算法结构、调整现有策略、重组模型内部知识或过拟合评估器。为区分这些机制，研究者推出了 EvoTrace 数据集，涵盖四种进化框架、推理与非推理模型及 16 个任务。他们开发了 EvoReplay 方法，通过重放分析高分解背后的局部搜索状态，并标注了九种编辑类型。结果发现，大部分得分提升来自少数编辑类型，且约 30% 的代码行是重复引入的已删除行，表明基准进步可能并非真正的新算法结构。

论文进化算法编码智能体 LLM

推荐理由：做 AI 编码智能体或进化算法研究的开发者，这篇论文帮你拆解了 benchmark 分数的真实来源——别再只看最终得分了，EvoTrace 让你看清智能体到底在“进化”什么。