XiaoMi-AI文件搜索系统
World File Search System进化
进化计算手册
《进化计算手册》是进化计算 (EC) 领域的一个重要里程碑。与任何新领域一样，进化计算也经历了多个不同的发展和成熟阶段。该领域始于 20 世纪 50 年代末和 60 年代初，当时数字计算的出现使得科学家和工程师能够构建和试验各种进化过程模型。这项早期工作产生了许多重要的 EC 范式，包括进化规划 (EP)、进化策略 (ES) 和遗传算法 (GA)，这些范式成为 20 世纪 70 年代大部分工作的基础，这一时期人们对这些思想进行了深入的探索和改进。其结果是产生了各种强大的算法，它们具有解决困难的科学和工程问题的巨大潜力。到 20 世纪 80 年代末和 90 年代初，活动水平已经发展到与主要 EC 范式（GA、ES 和 EP）相关的每个子组都参与规划和举办自己的定期会议的程度。然而，在该领域内，人们越来越意识到需要加强各个子组之间的互动和凝聚力。如果整个领域要成熟，它需要一个名称，它需要有一个清晰的凝聚力结构，它需要一个档案文献库。20 世纪 90 年代反映了这种成熟，选择进化计算作为该领域的名称，建立了两个期刊
进化是事实
进化的概念源自查尔斯·达尔文和阿尔弗雷德·拉塞尔·华莱士的创新思想，他们提出了自然选择理论，解释了物种如何适应和进化。该理论得到了古生物学、生态学、遗传学、发育生物学、分子生物学等多个科学领域的大力支持。证据来自多个方面：从化石记录（显示生命形式随时间的演变）到 DNA（其基因序列揭示了不同生物之间令人印象深刻的相似性，强调了共同的祖先）。例如，将人类 DNA 与黑猩猩的 DNA 进行比较，相似度接近 98.8%，表明它们具有相对较新的共同祖先。此外，该理论还通过物种的地理分布以及适应辐射和适应趋同等过程得到了说明，当祖先群体在不同环境中定居并产生其他物种时就会发生这些过程。比较胚胎学和发育生物学也表明，发育早期的微小基因变异可能导致成年形态和功能的巨大差异。
无脊椎动物的进化
自从大约 10 亿年前单细胞祖先出现以来，后生动物目前的多样性是通过漫长的进化过程实现的。这一进化过程产生了大约 35-37 个现存动物门，除脊椎动物亚门外，这些门均由无脊椎动物组成。目前，已描述的现存后生动物种类约为 1,162,000 种，其中只有约 50,000 种是脊椎动物（约 5%）。此外，无脊椎动物能够适应所有类型的生态系统，包括水生和陆地生态系统，因此研究无脊椎动物的多样性和进化对于了解现存动物生物学至关重要。总结无脊椎动物或基于无脊椎动物的研究历史会过于广泛。然而，值得注意的是，自诺贝尔奖创立以来，它曾多次授予使用无脊椎动物模型的研究人员。一些例子包括使用果蝇作为模型的研究（例如，染色体在遗传中的作用、昼夜节律、先天免疫机制、嗅觉受体、早期胚胎发育的遗传控制）、秀丽隐杆线虫（程序性细胞死亡的机制、RNA 干扰）、海胆（细胞周期的关键调节器）、海蛞蝓（神经系统中的信号转导）、蜜蜂（社会和行为模式的组织）、螃蟹（生理和化学视觉过程）、章鱼（涉及神经细胞膜周围和中心部分的兴奋和抑制的离子机制）或水母（用于发现和开发绿色荧光蛋白 GFP）。除了基于无脊椎动物模型的研究有着悠久的历史之外，我们现在生活在一个特殊的时代，主要有两个原因：首先，自从第一个无脊椎动物的完整基因组被测序（2000 年秀丽隐杆线虫的基因组）以来，我们现在可以获得大约 1000 个无脊椎动物物种的完整基因组序列（存放在 NCBI 数据库中）；其次，由于 CRISPR/Cas9 或 TALEN 等简单基因组改造技术的发展，我们可以进行一系列功能实验，这在几年前是不可想象的。考虑到所有这些，我们很高兴在这本题为“无脊椎动物的进化”的卷中介绍关于不同无脊椎动物谱系的新颖而有趣的研究，重点关注其生物学的几个方面。本卷包含八篇原创研究文章和三篇评论，它们的重点、想法和假设反映了使用无脊椎动物作为模型生物的研究的当前多样性和未来方向。本书显然无意成为无脊椎动物研究的详尽集合，但我们希望这里介绍的文章集合能够让您对无脊椎后生动物研究的类型和所用动物模型的多样性有一个总体了解。因此，我们可以阅读使用鹿角珊瑚 [ 1 ] 开展的研究，使用几种软体动物开展的研究，例如头足类 Nautilus pompilius [ 2 ]、腹足类 Crepidula fornicata [ 3 ] 或双壳类 Mytilus galloprovincialis [ 4 ]，以及使用涡虫 Schmidtea mediterranea [ 5 ] 开展的研究，或者使用几种脊索动物开展的研究，例如两种头索动物（Branchiostoma lanceolatum [ 6 ] 和 Branchiostoma floridae [ 7 ]）和两种尾索动物（Ciona robusta [ 8 ] 和 Phallusia mammillata [ 4 ]）。如今，从非经典动物模型中获取转录组和基因组数据更加容易，使得基因家族进化的研究更加全面。因此，
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)
痘病毒：进化枝 I 和进化枝 II
mpox 病毒分为两个主要进化枝，即进化枝 I 和进化枝 II，每个进化枝又细分为进化枝 Ia（新发现的进化枝 Ib）、进化枝 IIa 和进化枝 IIb（导致 2022 年全球疫情的进化枝）。自 2022 年进化枝 IIb mpox 疫情爆发以来，已有 127 个国家报告了超过 117,663 例病例和超过 263 例死亡病例，尽管全球报告的数据可能不包括非洲地区最近发生的进化枝 I 疫情。根据美国疾病控制与预防中心 (US CDC) 和世界卫生组织 (WHO) 的数据，截至 2024 年 11 月 30 日，美国已报告 34,349 例 mpox 病例。2024 年，美国疫情继续以低速但稳定的速度增长，截至 2024 年 12 月 28 日，年初至今已记录 2,613 例病例。随着美国和全球范围内 IIb 分支的持续传播以及非洲地区 I 和 II 分支的传播增加，专家们担心国家和全球格局的变化可能会增加特定美国人群的健康风险。
人工智能：从进化到革命？
1 生成式人工智能 (GenAI) 是人工智能的一个领域，它使用在未标记数据上训练的基础模型来生成各种形式（文本、图像、视频、音频）的原创、通常富有创意的内容。相比之下，传统人工智能使用在标记数据上训练的模型来根据预定义规则生成（非原创）输出。2 美国银行全球研究部认为，地区回应差异可能是由于美国和亚洲相对于欧洲的科技影响力更大，从而导致对人工智能工作者的需求。3 NBER：新前沿：新工作的起源和内容，1940-2018 年。4 劳工统计局：职业就业和工资统计（2022 年 5 月）。同样的工作可以适用于许多其他职业，包括数据分析师、营销专业人员、律师助理、医疗文员和翻译。
chong-进化-jmd.pdf
在设计过程中，人工智能 (AI) 的决策辅助只有当人类设计师正确利用 AI 输入时才会有效。然而，设计师经常会误判 AI 和/或他们自己的能力，导致错误地依赖 AI，从而出现糟糕的设计。为了避免这样的结果，了解设计师在 AI 辅助决策过程中对 AI 队友和自己的信心的演变至关重要。因此，这项工作进行了一项认知研究，以探索如何体验各种变化（未经通知）的 AI 性能水平，并且反馈会影响这些信心，从而影响接受或拒绝 AI 建议的决策。结果首先表明，设计师对 AI 代理的信心会随着 AI 性能不佳而变化，但不会随着 AI 性能良好而变化。有趣的是，设计师的自信最初不受 AI 准确性的影响；然而，当准确度发生变化时，无论变化方向如何，自信度都会下降。此外，这项研究发现，设计师倾向于从反馈中推断出有缺陷的信息，导致对人工智能和他们自己的自信度都不适当。这项研究还表明，对人工智能的信心和自信度会影响设计师以相反方向接受人工智能输入的概率。最后，通过将这项研究的结果与针对非设计任务进行的类似研究的结果进行比较，确定了只适用于设计的结果。总的来说，这项研究提供了有价值的见解，可能有助于检测设计师的动态信心及其在设计中对人工智能输入的误用。[DOI: 10.1115/1.4055123]
动态进化方法...
多任务学习假设能够从多个任务中学习的模型可以通过知识迁移实现更好的质量和效率，这是人类学习的一个关键特征。然而，最先进的 ML 模型依赖于每个任务的高度定制，并利用大小和数据规模而不是扩展任务数量。此外，持续学习将时间方面添加到多任务中，通常专注于研究常见的陷阱，例如灾难性遗忘，而不是将其作为构建下一代人工智能的关键组成部分进行大规模研究。我们提出了一种能够生成支持动态添加新任务的大规模多任务模型的进化方法。生成的多任务模型是稀疏激活的，并集成了基于任务的路由，可保证在模型扩展时计算成本有限并且每个任务添加的参数更少。所提出的方法依赖于知识分区技术来实现对灾难性遗忘和其他常见陷阱（如梯度干扰和负迁移）的免疫。我们通过实验证明，所提出的方法可以联合解决 69 个公共图像分类任务并取得有竞争力的结果，例如，与在公共数据上训练的最佳模型相比，通过实现 15% 的相对误差减少，提高了 cifar10 等竞争基准的最新水平。
遗传学，基因组学和进化
纤毛属均成为微生物真核遗传学中的第一个模型系统之一，这在很大程度上有助于早期理解与基因组重排，隐秘形成，细胞质遗传性和内生物植物的多种多样的现象，以及在interns of interns of Small and small and cons of shime and cons of sym and cons of sym and of n os of small and of necne and small and of necne and small。最近在科学和人口基因组学领域取得了实质性进展。Parmecium物种将一些最低的已知突变率与一些已知有效人群以及可能非常高的重组率相结合，从而使人口遗传环境促进了异常有效的选择能力。因此，基因组非常精简，具有很小的基因间区域与少量的微小内含子相结合。大部分黑质研究的主题，古代的aurelia物种复合物，是两个