XiaoMi-AI文件搜索系统
World File Search System遗传算法
图形卷积神经网络辅助遗传算法PDN DETAP优化
摘要 - 本文提出了一种结合加固学习（RL）和PDN DETAP优化的遗传算法（GA）的混合算法。训练有素的RL代理使用图形卷积神经网络作为策略网络，并预测给定PDN阻抗和目标阻抗的DETAP解决方案，该解决方案是将其作为初始种群的播种。训练有素的RL代理在脱皮端口的数量方面可扩展。主要目标是节省计算时间并找到接近全球的最小值或全球最小值。通过转移学习来实现算法对不同DETAP库的概括，最终减少了RL代理的训练时间。 所提出的算法发现，与遗传算法相比，满足目标阻抗的脱酸溶液是两倍。通过转移学习来实现算法对不同DETAP库的概括，最终减少了RL代理的训练时间。所提出的算法发现，与遗传算法相比，满足目标阻抗的脱酸溶液是两倍。
整合遗传算法和机器学习
抽象目标：包括孟加拉国和印度在内的许多南亚国家的农业部门在经济中起着关键作用，其中很大一部分人口依赖于生计。然而，农民经常遇到诸如不可预测的天气状况，土壤可变性以及诸如洪水和侵蚀的自然灾害之类的挑战，导致农作物的损失和经济损失。尽管政府补贴，许多农民仍在努力维持生计，导致对农业的利益下降。我们的重点是预测基于土壤和天气特征的组合，包括大米，黄麻，玉米等各种作物的分类。土壤特征，包括氮，磷，钾和pH水平，以及天气变量（例如温度，湿度和降雨），用于预测模型的输入。方法：在本研究中，我们通过利用先进的机器学习技术并将遗传算法整合到预测模型中来解决农作物预测的关键问题。我们提出的方法采用了混合方法，其中利用遗传算法来优化模型的超参数，从而增强其性能和鲁棒性。具体来说，我们采用了随机的森林分类器，一种强大的合奏学习技术，对与22种不同类型的农作物相关的类标签进行分类。发现：对模型的精度进行了广泛的评估，证明了99.3％的明显准确率。这种整合的目的是提高农作物预测模型的可解释性和准确性。此外，我们还利用了局部可解释的模型 - 不合Snostic解释（Lime）和Shapley添加说明（SHAP）可解释的AI（XAI）方法来解释和验证模型的预测。新颖性：该研究提出了一种独特的作物预测方法，该方法将机器学习（ML）与遗传算法（GAS）结合在一起。由于局部近似酸橙的性质，可能会产生矛盾的答案。另一方面，对于复杂的模型和广泛的数据集，塑造的计算成本可能很高。通过改进特征选择和模型参数，将气体与ML模型的集成克服了这些缺点，并产生了更可靠和准确的预测。我们系统所实现的高精度强调了其减轻农作物损失和提高农业生产力的潜力，从而为任何国家的农业部门的可持续性和繁荣做出了贡献。
通过AI和战场数字双胞胎增强军事行动：整合贝叶斯优化，遗传算法和强化学习
本文提出了一种使用先进技术（例如贝叶斯优化（BO），遗传算法（GA）和加固学习（RL）等先进技术来优化军事行动的综合方法。该研究重点关注三个关键领域：防御行动中的单位处置，消防支持计划和下属单位的任务计划。对于单位处置，BO用于优化基于战场指标的营的位置，汤普森采样采集功能和周期内核可实现卓越的结果。在消防支持计划中，GA用于最大程度地减少威胁水平和发射时间，以有限的资源下解决资源受限的项目调度问题（RCPSP）。最后，开发了用于任务计划的RL模型，结合了多代理增强学习（MARL），图形注意网络（GAT）和分层增强学习（HRL）。RL模型通过模拟战场场景来展示其在产生战术操作方面的有效性。这种方法使军事决策者能够增强复杂环境中运营的适应性和效率。结果强调了这些优化技术支持军事指挥和控制系统在实现战术优势方面的潜力。
与IVF成功预测的遗传算法集成的机器学习方法的比较研究
面对不育的发生率的增加，这十年在全球辅助生殖技术的应用中急剧上升[1，2]。体外受精（IVF）是艺术中最常见和广泛使用的程序，是在体外繁殖胚胎的过程，如果成功，则会导致妊娠。自1978年第一个IVF婴儿诞生以来[3]，已经努力改善IVF的成功。然而，成功率在约30％[4，5]的情况下保持了大约恒定的恒定，这加上严重的副作用[6，7]和经济负担[8，9]，使父母成为不育夫妇的漫长道路。IVF失败也会带来情绪困扰，例如焦虑和压力，这可能会影响生活质量，甚至导致婚姻失败[10，11]。这使得“我的IVF成功有多大的可能性？”成为寻求治疗的推论夫妇最重要的问题。通常，要回答这个问题，IVF临床医生需要考虑与男性和男性相关的所有人口和临床变量。具有各种变量及其复杂关系，提供了对成功机会的准确估计是具有挑战性的。因此，需要准确的模型来准确预测IVF成功[12，13]。机器学习（ML）作为人工智能的一个子集可以通过基于这些促成因素开发预测模型来预测临床结果。强大的预测模型可以使IVF临床医生更准确地估计IVF成功结果。至关重要的是要认识到，任何预测模型的鲁棒性主要取决于两个关键因素：机器学习算法的选择以及选择最有助于和信息的特征[14，15]。特征选择通过识别最重要的特征在增强模型性能中起着关键作用。但是，将正确的特征集与正确的ML算法相结合[16，17]仍然是一种挑战。虽然各种研究应用了机器学习技术来开发IVF预测模型，但许多研究依赖于特征选择的滤波器方法[18-22]，这些方法通常忽略了变量之间的复杂相互作用，并且无法捕获IVF数据中固有的复杂关系[23，24]。在这项研究中，我们介绍了遗传算法，作为一种可探索整个溶液空间的强大包装算法，动态识别有助于IVF成功预测的最佳子集。这种方法比传统的过滤方法更灵活，更有效，因为它解释了功能之间的复杂交互。我们从系统地比较了五个知名机器学习算法的性能 - 兰多森森林（RF），人工神经网络（ANN），支持向量机（SVM），递归分区和回归树（RPART）和ADABOOST - 预测IVF的表现。通过应用基于GA的功能选择来增强此比较。通过将GA选择功能选择与上述机器学习技术相结合，我们试图为IVF成功开发一个可靠的预测模型，从而比依赖传统特征选择方法的现有模型提供了潜在的改进。
通过用于逆分子设计的机器学习增强遗传算法
催化，5 - 10和电池研究。11 - 13实际上，化学空间的nite尺寸中的大小使详尽的搜索变得不可能，并决定了使用有效的优化方法，这些方法通过利用有关感兴趣域的现有知识来提示候选化合物。这些发电模型解决了逆设计问题，其中目的是最佳满足给定规格施加的一组要求的解决方案。尤其是进化方法，尤其是受到达尔文人进化的启发，并在进化的解决方案中运作，以逐步产生更好的解决方案。在化学和材料科学方面，已经在1990年代初已经采用了进化方法，例如15种在聚合物的从头设计中，16种蛋白质17和制冷剂。18，随着2010年代（深）机器学习的爆炸爆炸，这些努力被忽略了，而不是基于基于人工神经网络（ANN）的其他生成方法（例如复发性神经网络，19 - 21个变量自动编码器），22 - 22 - 22 - 24正常化的24个变量自动化器模型，25 - 27 - 27-27-27-27-27和di and Inion and Inion and Inion模型。28 - 30尽管如
使用遗传算法，粒子群优化的综合方法的设计，用于优化电子束光刻，
摘要：随着先进制造对精确微型和纳米级图案的不断增长的要求，迫切需要对EBL过程的优化。当前的优化方法涉及GA与GWO或PSO与GWO等组合，而GWO与不良的探索 - 探索折衷折衷相困难，因此融合到次优溶液或溶液的不足。通过创新的自适应狼驱动的蜂群进化方法克服了上述挑战，使GA，PSO和GWO的优势协同以进行EBL的优化过程。从GA中产生多样化的解决方案人群是AWDSE的开始，以确保搜索空间中的广泛探索。此外，使用GWO的基于角色的分类将解决方案分层分类为不同的角色：Alpha，Beta，Gamma，Delta。的解决方案（Alpha，beta）通过基于PSO的更新来完善，这些更新通过更新解决方案来利用搜索空间，而解决方案排名较低（Gamma，delta）则受到GA驱动的交叉和突变操作，以维持多样性和探索。GA的进化操作与PSO粒子更新之间的自适应切换肯定是由GWO的领导动力驱动的，GWO的领导动力可以使多样化强化的更密集平衡，从而可以提高收敛精度和速度。实验结果证明，AWDSE能够提高约18％的临界维度，而延迟时间的收缩率达到12％，效果超过了GA-GWO和PSO-GWO的传统方法。这一进步强调了AWDSE可以显着提高EBL效率和准确性的可能性，而远离纳米制造过程的景色却越来越快。
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。
机器学习驱动的威胁识别以使用遗传算法增强粉丝安全性
摘要：作为一种高度有前途的技术，飞行的临时网络代表了无人驾驶汽车（无人机）的自组织网络，引起了对环境监测，灾害管理，精密农业，监测和军事行动的多种应用的关注。但是，这些网络面临着各种安全威胁的挑战，包括由于其在动态环境中的部署而导致的恶意节点检测。为了解决这个问题，我们在本文中使用遗传算法（ML-TIFGA）提出了一种改进的新型安全解决方案，基于机器学习的威胁识别。研究包括使用基本遗传算法检测异常行为节点，并通过使用信誉系统动态地适应不断变化的网络条件。为了增强我们的安全解决方案ml-tifga，我们评估了两个关键因素：合作和可信度，它们在我们的遗传人群中充当飞行节点染色体内的遗传元素。此外，还合并了一种机制来重新配置信任，并在考虑过去的行为监控时通过更新的加权声誉系统动态提取威胁的挑战。使用NSL-KDD数据集中的实际样品值发现了实验结果中的显着改进，这产生了显着的99.829％的分类精度。此外，培训的威胁识别率达到98.36％，测试样品的识别率达到98.86％，通过ML-TIFGA的网络可靠性增长了99.3％。在针对最新方法的基准测试时，诸如延迟，吞吐量和数据输送率之类的绩效指标分别显示出24.65％，29.16％和31.73％的明显增强。
使用遗传算法创建对抗性示例
摘要随着我们越来越多地将人工智能整合到我们的日常任务中，至关重要的是要确保这些系统可靠且可靠地抵抗对抗性攻击。在本文中，我们介绍了Clef Checkthat任务6的参与！2024实验室。在我们的工作中，我们探索了几种方法，可以将其分为两类。第一组专注于使用遗传算法来检测单词并通过多种方法（例如添加/删除单词和使用同义）进行更改。在第二组方法中，我们使用大型语言模型来产生对抗性攻击。基于我们的综合实验，我们选择了基于遗传算法的模型，该模型利用分裂单词和同质同源物作为文本操纵方法的组合，作为我们的主要模型。我们根据Bodega度量和手动评估排名第三。