XiaoMi-AI文件搜索系统
World File Search System进化算法
使用遗传算法优化特征选择
分析大型数据集以选择最佳特征是机器学习和数据挖掘中最重要的研究领域之一。此特征选择过程涉及降维，这对于提高模型的性能并降低其复杂性至关重要。最近，已经提出了几种类型的属性选择方法，这些方法使用不同的方法来获取属性的代表性子集。然而，已经提出了基于种群的进化算法，例如遗传算法 (GA)，通过避免局部最优并改进选择过程本身来弥补这些缺点。本文对基于 GA 的特征选择技术的应用及其在不同领域的有效性进行了全面的回顾。本综述使用 PRISMA 方法进行；因此，对相关文献进行了系统的识别、筛选和分析。因此，我们的结果暗示该领域的混合 GA 方法（包括但不限于 GA-Wrapper 特征选择器和 HGA-神经网络）通过解决诸如探索不必要的搜索空间、准确性性能问题和复杂性等问题，已经大大提高了它们的潜力。本文的结论将讨论遗传算法在特征选择中的潜力以及提高其适用性和性能的未来研究方向。
人工智能 – 学士学位考试题目
1.[计算入门] 1 位加法器和半加器有什么区别，如何组合它们来构建 N 位加法器？2.[计算入门] 定义正则表达式，给出如何使用它们处理文本数据的示例 3.[人工智能入门] 用于学习前馈神经网络参数的反向传播算法。4.[人工智能入门] 数据挖掘中考虑的问题的基本类别（例如聚类和分类算法）。5.[编程入门] 根据示例简要描述以下机制：map、filter、zip 和列表推导。6.[编程入门] 简要描述 Python 中提供的面向对象原则。7.[编程入门] 简要描述 Python 中提供的基本数据结构。8.[人工生命和认知系统] 解释进化算法/进化策略/遗传编程/蚁群优化/粒子群优化的工作原理。9.[人工生命和认知系统] 列举认知架构的组成部分并讨论其用途。10.[概率简介] 描述条件概率、全概率定理和
增强运动多代理系统中的聚合
摘要通常使用各种方法来处理多代理系统中集体行为的综合，而进化算法最为普遍。在这些系统中，代理商与同龄人进行了当地的互动，并集体采用在小组层面上表现出的策略，类似于在动物社会中看到的社会行为。，我们将是Pybullet仿真工具的一部分的蚂蚁问题扩展到了涉及一组五个同质机器人的集体场景，以在运动过程中汇总。为了发展这种行为，我们与多目标健身函数一起使用了OpenAI-ES算法。我们的发现表明，尽管机器人发展了成功的运动行为，但它们并未表现出汇总。这种差异归因于设计选择，这些选择无意间强调了对聚合能力的运动。我们讨论了健身函数引起的动态相互作用，以验证我们的结果并概述未来的方向。最终，我们的目标是第一次尝试建立一个在现代模拟环境中使用高级算法分析集体行为的框架。
通过遗传编程解释人工智能
摘要 — 可解释的人工智能在近十年中引起了极大兴趣，因为它在自动驾驶汽车、法律和医疗保健等关键应用领域中具有重要意义。遗传编程是一种强大的机器学习进化算法。与神经网络等其他标准机器学习模型相比，由 GP 进化而来的模型由于其模型结构具有符号组件而往往更易于解释。然而，直到最近，随着可解释的人工智能的流行，遗传编程才明确考虑可解释性。本文全面回顾了遗传编程研究，遗传编程可以潜在地显式和隐式地提高模型的可解释性。我们将现有的与通过遗传编程实现可解释人工智能相关的研究分为两类。第一类考虑内在的可解释性，旨在通过遗传编程直接进化出更可解释（和有效）的模型。第二类侧重于事后可解释性，即使用遗传编程来解释其他黑盒机器学习模型，或用线性模型等更简单的模型来解释遗传编程演化出的模型。这项全面的调查展示了遗传编程在提高机器学习模型的可解释性以及平衡模型准确性和可解释性之间的复杂权衡方面的巨大潜力。
![arxiv：2501.08226v1 [CS.CV] 2025年1月14日](/simg/g:\will\search\icon\source\f\f34f8d534697fef9e881c4cbde170d193b286378.webp)
arxiv：2501.08226v1 [CS.CV] 2025年1月14日
摘要。胶质母细胞瘤是一种高度侵略性的脑肿瘤，由于预后不良和发病率高，构成了重大挑战。偏微分方程的模型通过模拟患者特异性肿瘤行为来改善放射疗法计划，提供了有希望的潜力来增强治疗结果。但是，由于蒙特卡洛采样和进化算法等优化方法的高计算授权，模型校准仍然是瓶颈。为了解决这个问题，我们最近引入了一种方法，该方法利用了具有基于梯度的优化的神经向前求解器，以显着减少校准时间。此方法需要高度准确且完全可区分的远期模型。我们研究了多个架构，包括（i）增强的肿瘤，（ii）修饰的NNU-NET和（iii）3D Vision Transformer（VIT）。优化的肿瘤酸盐取得了最佳的总体结果，在肿瘤轮廓匹配和体素级别的肿瘤级预测中都表现出色。它相对于基线模型减半，并在所有肿瘤细胞浓度阈值中达到了最高的骰子得分。我们的研究表明，向前求解器绩效的提高，并概述了重要的未来研究方向。我们的源代码可在https://github.com/zeinebzh/ tumornetsolvers
基于权重共享的生成对抗网络的进化架构搜索
摘要 - 生成的对抗网络（GAN）是一种能力的生成技术，但甘斯经常面临训练不稳定的挑战。网络体系结构在确定gan的最终性能中起着重要作用，但是设计精细的体系结构需要深入的领域知识。本文旨在通过通过神经体系结构搜索（NAS）来搜索高性能的架构来解决此问题。所提出的方法称为Ewsgan，基于重量共享，由两个步骤组成。首先，我们根据重量共享培训了一条发电机的超级网。然后，采用多目标进化算法从超级网中提取子网，并且通过直接从超级网遗传的权重进行健身评估，并且对候选网络结构的帕累托前部进行了搜索。两种策略用于稳定发电机的超级网的训练：公平的单路抽样策略和丢弃策略。实验结果表明，我们的方法设计的架构达到了FR´Echet Inception距离（FID）为9.09，而在CIFAR-10上获得了8.99的成立分数（IS），这是NAS-GANS领域的新最先进的。在STL-10上也获得了竞争结果（IS = 10.51，FID = 21.89）。
使用热力学和机器学习来预测光合轻度收获的多样性
氧合光合作用是地球上几乎所有生物量生产的原因，并且可能是建立富含多细胞寿命的复杂生物圈的先决条件。地球上的生命已经演变为在广泛的光线环境中进行光合作用，但具有一个常见的基本结构，该建筑的轻度捕获天线系统与光化学反应中心相连。使用轻度收获的广义热力学模型，再加上进化算法，我们预测了可能根据不同强度和光谱曲线而发展的光收集结构的类型。我们定性地重现了多种类型的氧光自养生体的天线系统的色素组成，线性吸收曲线和结构拓扑，并表明，在各种光明环境中，相同的物理原理在不同的物理原理中发展。最后，我们将模型应用于在类似地球的系外行星上存在的代表性光环境，预测氧气和无氧光合作用都可以在低质量恒星周围发展，尽管后者似乎在最酷的M-Dwarfs周围可以更好地工作。我们将其视为迈出基本生物学过程的一般进化模型的有趣第一步，并证明了假设生物学的本质超出地球具有意义。
fittest：Python中的进化机器学习
摘要。The -Fittest是一个新的Python库，专门研究使用进化优化方法的进化优化方法和机器学习方法。The -Fittest既提供了经典的进化算法和对开放访问中没有实现的这些算法的有效修改。在库的优点中是实施方法的性能，可访问性和易用性。 本文讨论了开发和领导项目的动机，并用使用示例描述了图书馆的结构，并与其他具有类似开发目标的项目进行了比较。 The-Fittest是使用现代代码分析和测试方法开发的GitHub和PYPI上的开源项目。 在撰写论文时，库的最新版本为0.2.3。在库的优点中是实施方法的性能，可访问性和易用性。本文讨论了开发和领导项目的动机，并用使用示例描述了图书馆的结构，并与其他具有类似开发目标的项目进行了比较。The-Fittest是使用现代代码分析和测试方法开发的GitHub和PYPI上的开源项目。在撰写论文时，库的最新版本为0.2.3。
应对大流行健康的最佳控制政策......
摘要 —非药物干预 (NPI) 是控制流行病的有效措施。然而，这种控制措施通常会对经济产生负面影响。在这里，我们提出了一种宏观层面的方法来解决这种健康-经济困境 (HED)。首先，建议对著名的 SEIR 模型进行扩展，其中包括一个经济模型。其次，定义一个双目标优化问题，以研究针对 HED 问题的最优控制策略。接下来，应用几种多目标进化算法对获得的最优策略固有的健康-经济绩效权衡进行研究。最后，比较所应用算法的结果以选择未来研究的首选算法。正如预期的那样，对于所提出的模型和策略，发现健康和经济绩效之间存在明显的冲突。此外，结果表明，与完全不采用此类策略相比，指导使用 NPI 更可取。本研究通过提出一个新概念来促进流行病建模和模拟，该概念阐述了如何整合经济因素，同时探索启用 NPI 的最佳时机。索引词 —SARS-CoV-2、COVID-19、流行病模型、经济模型、控制政策、多目标优化。
Neurolib：全脑神经质量建模的模拟框架
Neurolib是用Python编写的全脑建模的计算框架。它提供了一组神经质量模型，这些模型代表介质量表上大脑区域的平均活性。在整个脑网络模型中，大脑区域是根据生物学知情的结构连接（即大脑的连接组。Neurolib可以加载结构和功能数据集，建立一个全脑模型，管理其参数，模拟它并组织其输出以供以后分析。每个大脑区域的活性都可以转换为模拟的粗体信号，以根据功能磁共振成像（fMRI）的经验数据校准模型。使用参数探索模块可以进行广泛的模型分析，该模块可以在给定一组更改参数的情况下表征模型的行为。优化模块可以使用进化算法将模型拟合到多模式经验数据。neurolib设计为可扩展，以便可以轻松实现自定义的神经质量模型，为原型模型的计算神经科学家提供了多功能平台，管理大型数值实验，研究大脑网络的结构 - 功能关系，以及对全元模型的核中表现出色。