XiaoMi-AI文件搜索系统
World File Search System进化算法
推荐引用 推荐引用 Van Veldhuizen, David A.，“多目标进化算法：分类、分析和新创新”（1999 年）。学位论文。5128。https://scholar.afit.edu/etd/5128
本论文由 AFIT Scholar 的学生研究生作品免费提供给您，供您开放访问。它已被 AFIT Scholar 的授权管理员接受并纳入论文和学位论文。有关更多信息，请联系 AFIT.ENWL.Repository@us.af.mil。
3.13 可解释的游戏人工智能
首先，我们研究了生成超级马里奥关卡的不同可能性。TOAD-GAN [ 3 ] 仅使用一个示例即可进行训练。该方法还使用户能够通过更改代表生成器网络输入的噪声向量来控制生成过程的输出。由于设计师无法解释噪声向量，因此设计师仍然无法根据自己的需求设计内容。为了实现这一点，必须让设计师能够解释噪声向量，并将噪声向量的不同区域映射到噪声向量变化所产生的内容。生成超级马里奥关卡的另一种方法是使用带有图块集的进化算法 [ 4 ]。图块集强制输出的一致性，而 Kullback-Leiber 散度
进化计算
SCS5107 计算智能 计算智能：计算智能 (CI) 是一套受自然启发的计算方法和方法，用于解决现实世界应用中的复杂问题，而传统方法和方法对此无效或不可行。它主要包括模糊逻辑系统、神经网络和进化计算。此外，CI 还包含源自上述三种技术或围绕其中一种或多种技术的技术，例如群体智能和人工免疫系统，它们可以看作是进化计算的一部分。进化计算在计算机科学中，进化计算是人工智能（更具体地说是计算智能）的一个子领域，涉及组合优化问题。进化技术主要涉及元启发式优化算法，例如：进化算法（包括遗传算法、进化规划、进化策略和遗传规划）群体智能（包括蚁群优化和粒子群优化，以及较小程度的人工免疫系统、文化算法、差异进化、和谐搜索算法等。在人工智能中，进化算法 (EA) 是进化计算的一个子集，是一种基于种群的通用元启发式优化算法。EA 使用一些受生物进化启发的机制：繁殖、突变、重组和选择。优化问题的候选解决方案扮演着种群中个体的角色，适应度函数决定了解决方案“生存”的环境（另见成本函数）。在重复应用上述运算符后，种群就会进化。群体智能在计算智能领域有两种流行的群体启发方法：- 蚁群优化 (ACO)
我们赖以生存的隐喻。关于人工智能和人类状况的三条评论
每篇评论都涉及人工智能的不同方面，并且都围绕着不同的隐喻：智能、进化和游戏。第一篇评论构成了一个自民族志小插图，它为反思人工智能和机器所谓的“思考”能力提供了一个框架；从女权主义者的角度来看，这两个隐喻都是非常成问题的，因为女性主要承担生育和抚养聪明人类的劳动。第二篇评论是对我目前在高能物理学家中进行的民族志实地考察的见解，这些物理学家在日常工作中使用机器学习方法，并屈服于达尔文主义隐喻，想象进化算法对人类未来的意义。第三篇评论探讨了“玩”算法，并将备受争议的人类学带入讨论中。
进化引导的生成流网络
生成流动网络（GFLOWNETS）是一个概率生成模型的家族，它们学会了与奖励成正比的组成对象进行采样。Gflownets的一个重大挑战是在处理长期视野和稀疏奖励时有效地训练它们。为了解决这个问题，我们提出了进化引导的生成流网络（EGFN），这是使用进化算法（EA）对Gflownets训练的简单但强大的增强。我们的方法可以通过使用EA训练一组代理参数，将所得的轨迹存储在优先级的重播缓冲液中，然后使用存储轨迹训练GFLOWNETS代理。我们对广泛的玩具和现实世界的基准任务进行了彻底的调查，以显示我们方法在处理长轨迹和稀疏奖励方面的有效性。
事件驱动的自适应光学神经网络
我们基于大规模事件驱动的体系结构提供了一个自适应光学神经网络。除了更改突触权重（突触可塑性）外，光学神经网络的结构还可以重新配置，以实现各种功能（结构可塑性）。关键构建块是带有嵌入式相位变化材料的可构造的植人神经元，可实现非线性激活功能和非挥发性记忆。使用多模焦点，激活函数具有兴奋性和抑制性响应，并显示了3.2分贝的可逆切换对比度。我们训练神经网络，通过进化算法区分英语和德语文本样本。我们在训练过程中研究了突触和结构可塑性。基于这个概念，我们实现了一个大规模网络，该网络由736个子网组成，每个网络都有16个相变材料神经元。总体而言，8398个神经元是函数的，突出了光子体系结构的可扩展性。
基于进化多任务的混合脑机接口系统中通道选择的多目标优化算法
混合模态脑机接口 (BCI) 结合了运动想象 (MI) 生物信号和稳态视觉诱发电位 (SSVEP)，在神经工程研究领域引起了广泛关注。在实际应用中，通道数量应尽可能少。然而，最近关于通道选择的大部分研究仅关注分类任务的性能或设备控制的有效性。很少有研究同时对 MI 和 SSVEP 分类任务进行通道选择。在本文中，提出了一种基于多任务的多目标进化算法 (EMMOA)，以同时为这两个分类任务选择合适的通道。此外，还引入了一个两阶段框架来平衡所提算法中选定通道的数量和分类准确率。实验结果验证了多目标优化方法对于混合 BCI 任务通道选择的可行性。
使用大语言模型不断发展的机器人形态
摘要 - 我们介绍了Robomorph，这是一种使用大语言模型（LLM）和进化算法生成和优化模块化机器人设计的自动化方法。在此框架中，我们将每个机器人设计表示为语法，并利用LLM的功能来浏览广泛的机器人设计空间，该空间传统上是耗时的，并且在计算上要求。通过集成自动及时设计和基于增强学习的控制算法，Robomorph迭代通过反馈循环来改善机器人设计。我们的实验结果表明，Robomorph可以成功生成非平凡的机器人，这些机器人对单个地形进行了优化，同时展示了与连续演变的形态改善。我们的方法证明了将LLMS用于数据驱动和模块化机器人设计的功能，提供了一种有希望的方法，可以将其扩展到具有类似设计框架的其他域。
推荐引用 推荐引用 Van Veldhuizen, David A.，“多目标进化算法：分类、分析和新创新”（1999 年）。学位论文。5128。https://scholar.afit.edu/etd/5128
本论文由 AFIT Scholar 的学生研究生作品免费提供给您，供您开放访问。它已被 AFIT Scholar 的授权管理员接受并纳入论文和学位论文。有关更多信息，请联系 AFIT.ENWL.Repository@us.af.mil。
推荐引用 推荐引用 Van Veldhuizen, David A.，“多目标进化算法：分类、分析和新创新”（1999 年）。学位论文。5128。https://scholar.afit.edu/etd/5128
本论文由 AFIT Scholar 的学生研究生作品免费提供给您，供您开放访问。它已被 AFIT Scholar 的授权管理员接受并纳入论文和学位论文。有关更多信息，请联系 AFIT.ENWL.Repository@us.af.mil。