Enhancing Fitness Intelligence through Domain-Specific LLM Post-Training
School of Cyber Science and Technology(网络科学与技术学院);Beihang University(北京航空航天大学);School of Information(信息学院);Renmin University of China(中国人民大学)
针对通用大语言模型在科学健身教练中领域知识不足的问题,提出FitOne系列模型,通过三阶段后训练(持续预训练、监督微调、强化学习)提升专业能力,在ACSM-EP和NSCA-CSCS考试中平均提升最高12.73%。
2026-09-23 cs.AI
Homotopic Convex Transformation: A New Landscape Smoothing Method for the Traveling Salesman Problem
Xi’an Jiaotong University(西安交通大学);City University of Hong Kong(香港城市大学);First Affiliated Hospital of Xi’an Jiaotong University(西安交通大学第一附属医院)
针对对称旅行商问题(TSP),提出了一种新的景观平滑算法.我们首先将TSP的同伦凸(HC)变换定义为构造良好的简单TSP和原始TSP的凸组合。简单的TSP,称为凸壳TSP,是通过转换一个已知的局部或全局最优。我们观察到,控制的凸组合的系数,与局部或全局最优,(i)HC变换的TSP的景观是平滑的,其局部最优的数量相比,原来的TSP减少;(ii)HC变换的TSP的适应度距离相关性增加。此外,我们观察到HC变换的平滑效果高度依赖于所使用的最佳质量。高质量的最佳值比低质量的最佳值产生更好的平滑效果。然后,我们提出了一个迭代算法框架,其中建议的HC变换结合在一个启发式TSP求解器。它作为一种逃避局部最优的计划,旨在提高组合启发式的全局搜索能力。使用3-Opt和Lin-Kernighan局部搜索作为启发式求解器的案例研究表明,在多达20,000个城市的大多数测试实例上,所得到的算法显着优于其同行和其他两个基于平滑的TSP启发式求解器。
2020-03-14 cs.AI cs.NE
Heuristic Reasoning on Graph and Game Complexity of Sudoku
LATTIS(LATTIS实验室);INSA(法国国立应用科学学院);University of Toulouse(图卢兹大学)
数独问题近年来在世界范围内得到了广泛的应用,引起了计算智能界的极大关注。数独问题通常被认为是可满足性问题或约束满足问题。在本文中,我们建议把重点放在基本的图形结构的数独问题。首先,我们将数独形式化为一个图。在此基础上提出了一种基于启发式推理的求解算法。证明了相关的r-归约定理、推理定理及其性质,为数独求解系统的开发提供了形式化的基础。为了评价数独谜题的难度水平,提出了一种基于图结构和信息论的数独谜题复杂度定量度量方法。实验结果表明,所有的难题可以快速解决使用所提出的启发式推理,并提出的游戏复杂性度量可以区分难题的难度水平很好。
2009-03-09 cs.AI cs.GT cs.SC
Learning Empirically Admissible Neural Heuristics for Combinatorial Search
Independent Researcher(独立研究者)
针对组合搜索问题,提出一种结合可容许贝尔曼算子与非对称损失函数的验证校准框架,训练出经验可容许的神经启发式,在保证路径最优性的同时显著减少搜索节点扩展。
2026-06-03 cs.AI cs.LG
Ultimate Intelligence Part III: Measures of Intelligence, Perception and Intelligent Agents
Gök Us Sibernetik Ar&Ge Ltd. Şti.(Gök Us Sibernetik 研发有限公司)
我们建议,操作员感应作为一个适当的模型的感知。我们解释了如何减少通用代理模型的操作员感应。我们提出了一个通用的操作员感应健身措施,并展示了它如何可以用于强化学习模型和稳态(自我保护)代理的自由能原则的基础上。我们表明,该行动的稳态剂可以解释的运营商诱导模型。
2017-09-08 cs.AI
Mimicking Evolution with Reinforcement Learning
Instituto Superior de Engenharia de Lisboa(里斯本高等工程学院);Delft University of Technology(代尔夫特理工大学)
进化在地球上产生了人类和动物的智慧。我们认为,发展人工类人智能的道路将通过在类似自然的模拟中模仿进化过程。在自然界中,有两个过程驱动着大脑的发展:进化和学习。进化是缓慢的,跨越几代人,除其他外,它通过改变其内部奖励功能来定义代理人学习的内容。学习在一个人的一生中迅速发挥作用,它迅速更新代理人的政策,以最大限度地提高快乐,最小化痛苦。通过进化,奖励函数慢慢地与适应度函数一致,然而,随着代理的进化,环境及其适应度函数也发生变化,增加了奖励和适应度之间的不一致。在模拟中复制这两个过程在计算上是极其昂贵的。这项工作提出了通过进化奖励(EvER)的进化,通过确保奖励函数与适应度函数的一致性,允许学习独自驱动搜索具有越来越多的进化适应度的策略。在这个搜索中,EvER利用了代理在其生命周期中经历的整个状态-动作轨迹。相比之下,目前的进化算法丢弃这些信息,从而限制了它们在处理顺序决策问题时的潜在效率。我们在两个简单的生物启发的环境中测试我们的算法,并显示其优越性,在生成更有能力的代理人在生存和繁殖他们的基因相比,一个国家的最先进的进化算法。
2020-05-06 cs.AI
Layout Design for Intelligent Warehouse by Evolution with Fitness Approximation
Peking University(北京大学);Shanghai Jiao Tong University(上海交通大学);University College London(伦敦大学学院)
随着快递行业的快速发展,采用自主机器人搬运包裹的智能仓库已被广泛用于处理大量快递。对于这类仓库,仓库布局设计对提高运输效率起着关键作用。然而,这项工作仍然是由人类专家完成的,这是昂贵的,并导致次优的结果。在本文中,我们的目标是自动化的仓库布局设计过程。我们提出了一个两层的进化算法来有效地探索仓库布局空间,其中一个辅助的目标适应度近似模型被引入到预测的结果设计的仓库布局和一个两层的人口结构,提出了将近似模型到普通的进化框架。实证实验表明,我们的方法可以有效地设计有效的仓库布局,优于两个进化设计和香草设计的仓库布局。
2018-11-14 cs.AI
Comparative study of regression vs pairwise models for surrogate-based heuristic optimisation
Lurtis(卢蒂斯公司);Universidad Politécnica de Madrid(马德里理工大学);Lurtis Ltd.(卢蒂斯有限公司)
本文比较了回归型表面代理模型与新型成对分类代理模型在启发式优化中的表现,通过多维实验分析不同机器学习算法和代理策略,揭示搜索性能不仅依赖预测精度,还受预测偏向和适应度执行决策方式的影响。
2024-10-04 cs.AI cs.NE
A Preliminary Exploration of Floating Point Grammatical Evolution
目前的GP框架在一系列真实和模拟基准测试中非常有效。然而,由于GP的基因型的高维度,可视化GP搜索的适应度景观的任务可能是困难的。本文介绍了一种新的框架:浮点语法进化(FP-GE),它使用一个单一的浮点基因型编码的个人计划。这种编码允许更容易可视化的健身景观任意问题,提供了一种方法来映射健身对一个单一的维度。新的框架也使得连续搜索算法(如差分进化)应用于搜索问题变得非常容易。在这项工作中,FP-GE框架进行了测试,对几个回归问题,可视化的搜索景观,这些和比较不同的搜索元。
2018-06-09 cs.AI
Human and AI collaboration in Fitness Education:A Longitudinal Study with a Pilates Instructor
Lee Kuan Yew Centre for Innovative Cities, Singapore University of Technology and Design(新加坡科技设计大学李光耀创新城市中心)
本文通过为期一年、参与课堂并双周访谈的定性案例研究,考察普拉提健身教育中人类教练与生成式AI的协作方式及其融入课程规划和教学的可能。
2025-06-05 cs.AI cs.CY
AutoRNet: Automatically Optimizing Heuristics for Robust Network Design via Large Language Models
School of Artificial Intelligence, Xidian University(西安电子科技大学人工智能学院);Guangzhou Institute of Technology, Xidian University(西安电子科技大学广州研究院)
AutoRNet框架结合大语言模型与进化算法,自动生成鲁棒网络设计启发式,并通过自适应适应度函数平衡收敛性与多样性,在无标度网络上优于现有方法。
2024-10-23 cs.AI
Double four-bar crank-slider mechanism dynamic balancing by meta-heuristic algorithms
University of Tabriz(大不里士大学)
提出了一种基于Meta分析的双四杆曲柄滑块机构动平衡优化方法。为此,通过对该机构的动力学建模,得到了该机构平衡所需的目标函数和相应的约束条件。在优化步骤中,分别采用PSO、ABC、BGA和HGAPSO算法来最小化所定义的代价函数。通过提取应用算法的代价函数、适应度、收敛速度和运行时间值,对优化结果进行了全面的研究。结果表明,粒子群优化算法和ABC算法在收敛速度和结果质量方面都优于BGA算法和HGAPSO算法。最后,以实验室规模的双四杆曲柄滑块机构为例,对所提出的平衡方法进行了验证。
2013-10-08 cs.AI
Dynamic communication topologies for distributed heuristics in energy system optimization algorithms
OFFIS - Institute for Information Technology(OFFIS信息技术研究所)
通信拓扑结构是分布式优化算法设计中的一个重要方面。它可以影响搜索空间的探索和利用,从而影响解决方案质量、收敛速度和协作成本方面的优化性能,这些都是操作能源系统中关键基础设施的应用程序的相关方面。在这项工作中,我们提出了一种方法,用于适应在运行时的通信拓扑结构,基于模拟退火的原则。我们比较常见的静态拓扑结构的一个示例性的分布式优化启发式的性能的方法。最后,我们调查的健身景观属性和定义的性能指标之间的相关性。
2021-08-03 cs.AI cs.MA
Perspective: Purposeful Failure in Artificial Life and Artificial Intelligence
Sony Computer Science Laboratories(索尼计算机科学实验室)
复杂的系统会失败。我认为,失败可以是一个蓝图表征生物体和生物智能,控制机制,以增加进化模拟的复杂性,并替代经典的健身优化。在人工生命和人工智能中模仿生物学上的成功可能会产生误导;模仿失败提供了一条理解和模仿人工系统中生命的道路。
2021-02-24 cs.AI cs.CY cs.LG
Punctuated Equilibria in Artificial Intelligence: The Institutional Scaling Law and the Speciation of Sovereign AI
本文挑战人工智能发展连续进步的假设,提出基于生物进化突变平衡理论,揭示AI发展通过停滞期与快速转型交替的非单调模式,提出制度扩展定律及主权AI的物种分化概念。
2026-03-15 cs.AI cs.CL cs.CY
LLM-Evolved Domain-Independent Heuristics for Symbolic AI Planning
本文使用进化搜索让大语言模型生成领域无关的启发式函数,在未见测试域上超越手工最优启发式,并首次系统评估了启发式的信息性-速度权衡。
2026-06-18 cs.AI
Integrating Heuristics and Learning in a Computational Architecture for Cognitive Trading
University of Molise(莫利塞大学)
近年来,人工智能在图像分析、自然语言理解和战略游戏等领域的成功引发了金融界的兴趣。具体来说,人们对创建人工代理(称为机器人交易员)有很高的期望,并且正在进行工程项目,这些人工代理能够用经验丰富的人类交易员的技能来操纵金融市场。除了明显的经济影响外,这肯定是一个具有重大科学意义的领域,因为这种真实背景对人工智能技术的使用构成了挑战。正是出于这个原因,我们必须意识到,能够在这种水平上运作的人工代理人并不只是在拐角处,而且不会有简单的答案,而是各种技术和方法的共同努力的成功。在本文的过程中,我们回顾了有效的机器人交易者设计中固有的问题以及相应的适用解决方案,考虑到将机器人交易的当前技术水平提升到下一个智能水平的总体目标,我们称之为认知交易。我们的方法的关键是两个方法和技术方向的结合,虽然都深深植根于人工智能的学科领域,到目前为止已经走上了各自的道路:数学和学习。
2021-08-27 cs.AI
FHHOP: A Factored Hybrid Heuristic Online Planning Algorithm for Large POMDPs
部分可观测马尔可夫决策过程(POMDPs)的规划仍然是人工智能社区的一个具有挑战性的话题,尽管最近在近似技术方面取得了令人印象深刻的进展。以前的研究表明,在线规划方法是有前途的,在处理大规模POMDP域有效地,因为他们作出决定“按需”,而不是主动为整个状态空间。提出了一种求解大型POMDPs的因子混合启发式在线规划算法。FHHOP通过将新的混合启发式搜索策略与最近开发的分解状态表示相结合来获得其功能。在几个基准问题上,FHHOP在可扩展性和质量方面都大大优于最先进的在线启发式搜索方法。
2012-10-16 cs.AI
Artificial intelligence and machine learning generated conjectures with TxGraffiti
Rice University(莱斯大学)
本文介绍基于机器学习与启发式方法的数学猜想自动生成系统 TxGraffiti,概述其技术实现、回顾其已发表成果,并发布面向公众的图论猜想在线探索平台。
2024-07-03 cs.AI math.CO
Learning Branching Heuristics from Graph Neural Networks
Okanagan College(奥肯那根学院);University of British Columbia Okanagan(不列颠哥伦比亚大学奥肯那根校区)
回溯法在人工智能中被广泛用于求解约束满足问题和组合优化问题。良好的分支算法可以有效地提高回溯算法的性能,修剪搜索空间,并将搜索引向最有希望的方向。在本文中,我们首先提出了一个新的图神经网络(GNN)模型设计使用概率的方法。从GNN模型,我们介绍了一种方法来学习分支启发式组合优化问题。特别是,我们的GNN模型学习给定图中顶点的适当概率分布,从中提取分支启发式并用于回溯搜索。我们的实验结果(最小)占主导地位的集团问题表明,这种学习分支启发式执行优于最小剩余值启发式在整个搜索树的分支数。我们的方法引入了一种新的方式,将GNNs应用于增强AI中使用的经典回溯算法。
2022-11-26 cs.AI
Universal statistical signatures of evolution in artificial intelligence architectures
Independent researcher(独立研究者)
研究人工智能架构进化是否遵循与生物进化相同的统计规律,发现其进化分布符合学生t分布,具有独特的适应性特征,表明进化统计结构由适应性景观拓扑决定。
2026-04-12 cs.AI cs.CY cs.NE
Shaping the Evolutionary Dynamics of Robot Morphology via Adaptive Control Learning
Shanghai Jiao Tong University(上海交通大学);Intelligent Game and Decision Laboratory(智能游戏与决策实验室);Renmin University of China(中国人民大学);Shanghai Innovation Institute(上海创新研究院)
本文针对机器人协同设计中控制学习反向塑造形态进化的未解决问题,提出AdaControl方法,通过监测无偏适应度评估减少计算量,使简单遗传算法性能媲美先进方法且计算量降80%
2026-08-25 cs.AI cs.RO
SimpleEvol: An Agent-Loop Framework for LLM-Driven Automated Heuristic Design with Minimal Human Priors
Singapore Management University(新加坡管理大学);Nanyang Technological University(南洋理工大学);TikTok Singapore(新加坡TikTok);Nanjing University of Information Science and Technology(南京信息工程大学);National University of Singapore(新加坡国立大学)
提出SimpleEvol智能体循环框架,通过最小化人类先验,让LLM自主设计启发式算法,在组合优化问题上显著提升智能转换效率,挑战复杂AHD流水线趋势。
2026-10-01 cs.AI
Replica Exchange using q-Gaussian Swarm Quantum Particle Intelligence Method
International Balkan University(国际巴尔干大学)
本文提出了一种新的基于q -高斯群量子粒子优化算法(REX@q-GSQPO)的粒子交换算法来解决求解全局最优解的问题。该算法的基础是运行多个副本的独立群体在不同的q参数值。基于能量标准,选择以满足详细的平衡,我们在规则的迭代间隔交换相邻群的粒子坐标。具有高Q值的群副本的特征在于高多样性的粒子,允许更快地逃离局部极小值,而低Q副本,其特征在于低多样性的粒子,用于更有效地采样的局部盆地。将该算法与标准高斯群量子粒子优化算法(GSQPO)和q-高斯群量子粒子优化算法(q-GSQPO)进行了比较,发现新算法在适应度函数调用次数方面具有更强的鲁棒性,在收敛到全局最小值的能力方面具有更高的效率.此外,我们还提供了一种在不同q值之间优化分配群副本的方法。我们的算法进行了测试的三个基准函数,这是已知的多峰问题,在不同的维度。此外,我们考虑了一个聚丙氨酸肽的12个残基建模使用Gōcoarse-graining势能函数。
2013-11-17 cs.AI
EPOCH: Coverage-Aware Evolution with Experiential Preference Optimization for LLM-based Automated Heuristic Design
Georgia Institute of Technology(佐治亚理工学院)
EPOCH将实例覆盖作为进化搜索目标,通过经验偏好优化微调LLM生成器内化反思,其启发式集合在COPs及开源LLM主干上优于基线且可跨规模泛化。
2026-10-14 cs.AI cs.CL
Artificial Cognitively-inspired Generation of the Notion of Topological Group in the Context of Artificial Mathematical Intelligence
Institución Universitaria Pascual Bravo(帕斯夸尔·布拉沃大学学院);Visión Real Cognitiva S. A. S.(真实认知视觉公司);Vienna University of Technology(维也纳技术大学)
概念计算这一新的计算范式已被引入到人工数学智能的研究计划中。我们为拓扑群的基本数学概念提供了明确的人工生成(或概念计算)。具体来说,我们开始与两个基本概念属于拓扑和抽象代数,我们描述递归形式规范的通用代数规约语言(CASL)。概念空间之间的概念融合的概念可以在异构工具集(HETS)中具体化。拓扑群的基本概念是通过基于概念融合和概念识别的三种不同的人工规范明确产生的,从连续函数和数学群的概念开始(用最小集合论条件描述)。这构成了人工数学智能第三支柱的额外启发式证据。
2021-12-05 cs.AI
HMACE: Heterogeneous Multi-Agent Collaborative Evolution for Combinatorial Optimization
本文提出HMACE框架,通过异构多智能体协作解决组合优化问题,通过策略探索、可执行启发式合成、经验评估和记忆更新四个智能体实现高效启发式搜索,提升搜索质量和效率。
2026-05-08 cs.AI
Adapting Heuristic Mastermind Strategies to Evolutionary Algorithms
University of Iceland(冰岛大学);University of Granada(格拉纳达大学)
解决摄魂怪难题的艺术是由唐纳德·克努特(Donald Knuth)发起的,已经有30多年的历史了;尽管如此,它仍然在运筹学和计算机游戏期刊中受到了很大的关注,更不用说自然启发的随机算法文献了。在本文中,我们试图提出一种策略,将允许自然启发的算法获得的结果一样好的那些基于穷举搜索策略,为了做到这一点,我们首先审查,比较和改进目前的方法来解决这个难题,然后我们测试这些策略之一的估计分布算法。最后,我们试图找到一种策略,该策略不具有穷举性,并且可以包含在自然启发的算法(例如进化算法或粒子群算法)中。本文证明了通过将局部熵纳入进化算法的适应度函数,它成为一个更好的球员比随机的,并给出了一个经验法则,如何将最好的启发式策略的进化算法,而不会产生过多的计算成本。
2009-12-12 cs.AI cs.NE
An Extended Jump Functions Benchmark for the Analysis of Randomized Search Heuristics
École Polytechnique, Institut Polytechnique de Paris(巴黎综合理工学院,巴黎理工学院);Laboratoire d’Informatique (LIX), CNRS, École Polytechnique, Institut Polytechnique de Paris(法国国家科学研究中心信息学实验室(LIX),巴黎综合理工学院,巴黎理工学院)
针对传统跳跃函数基准结构特殊、结果代表性存疑的问题,提出含低适应度谷的扩展跳跃函数类$\textsc{Jump}_{k,δ}$,证明部分进化算法相关结果可推广,也发现部分结果不通用,支持更宽适应度谷的计算实验。
2022-04-28 cs.AI cs.NE
Principles of modal and vector theory of formal intelligence systems
National Technical University "Kharkiv Polytechnic Institute"(哈尔科夫理工学院国立技术大学)
基于形式化智能系统的模态和向量理论,研究一类能够解决启发式问题的信息系统。本文论证了FIS分解算法的构造,定义了这些系统的主要特征,并证明了理论基础的定理。阐述了FIS构造的表示多样性原则。本文在形式智能系统模型和向量理论的基础上,论述了形式智能系统(FIS)构造和运行的主要原则。研究了FIS演示子系统的模块化结构、演示文稿生成阶段各阶段的数据处理算法。此外,本文提出了神经元的结构,即区域检测器和处理器,是FIS建设的基础。
2013-02-06 cs.AI
MeEvo: Metacognitive Evolution Combined with Natural Evolution for Automatic Heuristic Design
School of Computer Science, University of Nottingham Ningbo China(诺丁汉大学宁波分校计算机科学学院);School of Computer Science, University of Nottingham(诺丁汉大学计算机科学学院)
提出MeEvo框架,通过循环耦合自然进化(探索启发式代码)和元认知进化(反思历史生成改进启发式),解决现有方法知识继承弱、探索不足的问题,在五个优化问题上表现更优。
2026-09-04 cs.AI cs.NE
Multi-layer local optima networks for the analysis of advanced local search-based algorithms
Federal University of Technology Paraná (UTFPR)(巴拉那联邦理工大学(UTFPR));Aalborg University(奥尔堡大学)
局部最优网络(LON)是一种基于特定邻域算子和局部搜索算法压缩特定组合优化问题的适应度景观的图模型。确定哪些景观特征以及如何影响搜索算法的有效性对于预测其性能和改进设计过程都是相关的。本文提出了多层LON的概念,以及探索这些模型的方法,旨在提取指标的健身景观分析。构建这样的模型,提取和分析它们的指标是将单邻域算子概率论的研究扩展到使用多个算子的更复杂的研究的初步步骤。因此,在本文中,我们研究了一个双层LON从组合问题的实例中使用位翻转和交换算子。首先,我们列举了NK景观模型的实例,并使用爬山启发式建立相应的LON。然后,使用LON指标,我们分析如何有效的搜索时,结合这两种策略。实验结果表明,有希望的结果,并证明了多层LON的能力,提供有用的信息,可用于元算法的基础上,如可变邻域搜索。
2020-04-29 cs.AI cs.NE
Artificial Intelligence ordered 3D vertex importance
Faverde SA(Faverde公司);Poslovni i pravni fakultet, Univerzitet „Union – Nikola Tesla“(Union – Nikola Tesla大学商业与法律学院)
多维网络的顶点排序在许多研究领域中至关重要,包括选择和确定决策的重要性。有些决策比其他决策重要得多,它们的权重分类也很重要。针对三维网络顶点重要性排序问题,提出了一种全新的基于人工智能的权重决策方法,改进了现有的基于量化索引调制(QIM)和纠错码的有序统计顶点提取与跟踪算法(OSVETA)。我们在本文中提出的技术提供了显着的改进的效率,确定网络顶点的重要性有关的统计OSVETA标准,取代探试法与现代神经网络的精确预测方法。新的人工智能技术能够显著更好地定义3D网格并更好地评估其拓扑特征。新的方法的贡献,在定义稳定的顶点,显着降低删除网格顶点的概率更高的精度。
2020-12-17 cs.AI
An Artificial Intelligence Driven Semantic Similarity-Based Pipeline for Rapid Literature
Kathmandu University(加德满都大学)
本文提出一种基于Transformer嵌入和余弦相似度的自动化文献综述流水线,通过关键词生成、论文获取与统计阈值筛选,实现低开销、高相关性的初步研究工具。
2025-09-18 cs.AI
Spontaneous organization leads to robustness in evolutionary algorithms
已知生物系统的相互作用网络具有若干非随机结构特性,其中一些被认为对系统鲁棒性有积极影响。研究人员才刚刚开始了解这些结构特性是如何出现的,然而,组件适应性和社区发展(模块化)的作用引起了科学界的兴趣。在这项研究中,我们将这些概念中的一些应用到进化算法中,并使用人口在适应度景观上移动时接收的信息自发地组织其人口。更准确地说,我们采用健身和聚类为基础的驱动力,指导网络结构的动态,这反过来又控制的人口动态的进化算法。为了评估这对进化的影响,实验进行了6个工程设计问题和6个人工测试功能,并与细胞遗传算法和其他16个进化算法设计。我们的研究结果表明,自组织拓扑进化算法表现出令人惊讶的强大的搜索行为,在短期和长期的时间尺度上观察到有前途的性能。经过仔细分析这些结果,我们得出结论,人口和它的拓扑结构之间的协同进化是一个强大的新范式设计强大的搜索引擎。
2011-02-06 cs.AI cs.NE
Suffering Toasters -- A New Self-Awareness Test for AI
The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
本文指出当前AI智能测试无法反映人类直觉中的智能,借鉴科学哲学与心理学重新界定智能、自我意识和能动性,并提出一种新的人工自我意识启发式测试方法及实现思路。
2023-07-07 cs.AI cs.CY cs.LG
Quality of Geographic Information: Ontological approach and Artificial Intelligence Tools
Université de Provence(普罗旺斯大学)
目的是介绍欧洲IST-FET项目"REV! GIS "1:为将数据质量转化(解释)为"适合使用"的信息而开发的方法,我们可以在应用中满足用户的需求。这种方法是基于“本体论”的概念,作为一个概念框架,能够捕获的应用程序中涉及的显式和隐式的知识。我们不解决的一般问题,形式化的本体,相反,我们试图说明这三个应用程序是更一般的“数据融合”问题的特殊情况。在每个应用程序中,我们展示了如何部署我们的方法,通过比较几种可能的解决方案,我们试图启发哪里是质量问题,以及什么样的解决方案的特权,即使在一个高度复杂的计算方法的代价。REV的期待! GIS项目是计算上易于处理的解决方案将在下一代人工智能工具中提供。
2014-01-26 cs.AI cs.HC
Evolving Musical Counterpoint: The Chronopoint Musical Evolution System
University of Maryland(马里兰大学)
音乐对位,一种音乐技术,其中两个或两个以上的独立旋律同时播放,以创造和谐的目标,自巴洛克时代以来一直存在。然而,据我们所知,演化计算界还没有探索过基于主观适应度评估的美学上令人愉悦的线性对位的计算生成(尽管在相当多的情况下已经尝试了使用客观适应度的生成)。对位旋律的独立性和音乐审美的主观性为遗传算法的应用提供了良好的平台。在本文中,一个遗传算法的方法来产生对位旋律的解释,与描述的各种音乐的使用和可变长度的染色体字符串是如何使用,以避免产生“急动”的节奏和旋律短语,以及如何主观性被纳入算法的健身措施。接下来,从实证测试的算法的结果,重点是如何用户的音乐复杂性影响他们的经验。最后,进一步的音乐和作曲的算法的应用进行了讨论,以及计划未来的工作的算法。
2012-07-23 cs.AI cs.NE cs.SD
Implications of Quantum Computing for Artificial Intelligence alignment research
我们通过三种方法解释了量子计算的一些关键特征,并应用它们来论证对量子计算的深入理解不太可能有助于解决当前人工智能对齐中的瓶颈。我们的论点依赖于量子计算导致计算悬置而不是算法悬置的说法,并且与量子态测量相关的困难不会使当前人工智能对齐研究议程的任何主要假设无效。我们还讨论了绊网,对抗性盲法,知情监督和副作用作为可能的例外。
2019-08-24 cs.AI cs.CY cs.ET
Automated Test-Case Generation for REST APIs Using Model Inference Search Heuristic
Delft University of Technology(代尔夫特理工大学)
针对进化算法在微服务系统级测试中单元级启发式方法的局限,提出基于实时自动机学习的搜索启发式方法MISH,通过日志事件流捕获系统级行为以指导测试用例生成,在六个真实基准应用中评估取得良好效果。
2025-01-30 cs.AI cs.SE
Inclusive Fitness as a Key Step Towards More Advanced Social Behaviors in Multi-Agent Reinforcement Learning Settings
Vrije Universiteit Brussel(布鲁塞尔自由大学)
受自然选择启发,提出基于基因型和包容性适应度的多智能体强化学习框架,通过遗传相似性产生合作谱系,验证了汉密尔顿法则,并促进策略军备竞赛和更高级社会行为的涌现。
2025-10-14 cs.AI cs.MA cs.SI
Evolutionary-aided negotiation model for bilateral bargaining in Ambient Intelligence domains with complex utility functions
Universidad Politécnica de Valencia(瓦伦西亚理工大学)
环境智能旨在提供个性化的服务以及人与系统之间更轻松的交互方式。由于多个用户和系统可能在这些环境中共存,因此具有相反偏好的实体很可能需要合作以达到各自的目标。自动协商被认为是解决这类问题的机制之一。在这篇文章中,一个多问题的双边谈判模型的环境智能领域,它是假设代理具有计算有限的资源,不知道他们的对手的喜好。这项工作的主要目标是提供谈判模型,获得有效的协议,同时保持计算成本低。小生境遗传算法是使用前的谈判过程中采样自己的效用函数(自采样)。在谈判过程中,遗传算子被应用于对手和自己的报价,以便对双方感兴趣的新报价进行采样。结果表明,该模型是能够优于相似的竞争力,只有采样前的谈判过程中,并获得类似的结果,以相似的竞争力,有机会获得所有可能的报价。
2016-04-16 cs.AI cs.GT cs.MA
SecureScan: An AI-Driven Multi-Layer Framework for Malware and Phishing Detection Using Logistic Regression and Threat Intelligence Integration
Madhav Institute of Technology & Science (MITS)(马达夫理工与科学学院)
本文提出SecureScan框架,结合逻辑回归、启发式分析和威胁情报,通过VirusTotal API实现URL、文件哈希和二进制的综合检测,取得93.1%的准确率,展示出良好的泛化能力与稳定性。
2026-04-28 cs.AI cs.CR cs.CV
Analyzing Cyber-Physical Systems from the Perspective of Artificial Intelligence
OFFIS e.V.(奥菲斯有限公司);Power Systems Intelligence(电力系统智能公司);Leibniz University Hannover(莱布尼茨汉诺威大学)
现代信息物理系统(CPS)分析的原则是基于分析方法,取决于是否考虑安全或活性要求。复杂性是通过不同的技术来抽象的,从随机建模到合同。然而,分布式算法和基于人工智能(AI)的方法以及用户视角或不可预测的影响(如事故或天气)都引入了足够的不确定性来保证基于学习的方法。本文将CPS建模和分析领域的传统方法与AI研究人员探索未知复杂系统的观点进行了比较。
2019-08-21 cs.AI cs.CR cs.DC
A Novel Meta-Heuristic Optimization Algorithm Inspired by the Spread of Viruses
The University of Hong Kong(香港大学)
根据没有免费的午餐定理,没有一个单一的元启发式算法可以最优地解决所有的优化问题。这促使许多研究人员不断开发新的优化算法。本文提出了一种新的自然启发式优化算法病毒传播优化(VSO)。VSO松散地模拟了病毒在主机之间的传播,可以有效地应用于解决许多具有挑战性的连续优化问题。我们设计了一个新的表示方案和病毒操作,从根本上不同于以前提出的基于病毒的优化算法。首先,VSO中每个宿主的病毒RNA表示一个潜在的解决方案,不同的病毒操作将有助于多样化的搜索策略,以大大提高解决方案的质量。此外,引入了一种引入的感染机制,从另一个群体中继承搜索到的最优解,以避免在解决复杂问题时任何潜在解的早熟。VSO具有出色的能力,可以在发现的最优值周围进行自适应邻域搜索,以获得更好的解决方案。此外,VSO具有灵活的感染机制,可以快速摆脱局部最优。为了清楚地证明其有效性和效率,VSO在一系列众所周知的基准函数上进行了严格的评估。通过金融投资组合优化和支持向量机分类问题超参数优化两个实例验证了VSO算法的适用性。结果表明,VSO已达到优越的性能,在解决方案的适应度,收敛速度,可扩展性,可靠性和灵活性相比,这些结果的传统以及国家的最先进的元启发式优化算法。
2020-06-11 cs.AI cs.LG cs.NE
When Engineering Outruns Intelligence: Rethinking Instruction-Guided Navigation
本文通过检测器受控实验对比 InstructNav 与两种免训练前沿导航变体,揭示 ObjectNav 的零样本提升主要来自几何工程,LLM 更适合作为轻量语义启发。
2025-09-27 cs.AI cs.LG cs.RO
Artificial Immune Systems (AIS) - A New Paradigm for Heuristic Decision Making
在过去的几年里,越来越多的启发式决策技术受到自然的启发,例如进化算法,蚁群优化和模拟退火。最近,一种受免疫学启发的新型计算智能技术出现了,称为人工免疫系统(AIS)。这种受免疫系统启发的技术已经在解决一些计算问题方面很有用。在本主题演讲中,我们将非常简要地描述与AIS相关的免疫系统隐喻。然后,我们将给出一些适合AIS使用的说明性现实问题,并展示一步一步的算法演练。AIS与其他知名算法的比较以及未来工作的领域将圆满结束这一主题演讲。应该注意的是,由于AIS仍然是一个年轻和不断发展的领域,还没有一个固定的算法模板,因此实际实现可能与这里给出的示例有些不同。
2008-05-16 cs.AI cs.NE
Epistocracy Algorithm: A Novel Hyper-heuristic Optimization Strategy for Solving Complex Optimization Problems
Wayne State University(韦恩州立大学);Henry Ford Health System(亨利·福特医疗系统)
本文提出了一种新的进化算法Epistocracy,它结合了人类的社会政治行为和智能来解决复杂的优化问题。Epistocracy算法的灵感来源于一个政治制度,在这个制度中,受过教育的人比未受过教育或教育程度较低的人拥有更多的投票权。该算法是一种自适应的多种群优化器,其中进化过程由一个领导者委员会领导的多个种群并行进行。为了避免陷入局部最优解,防止早熟收敛,算法采用了基于引力的动态自适应领导、动态种群分配和多样化、基于方差的步长确定和基于回归的领导调整等机制。该算法使用一种分层抽样方法拉丁超立方体抽样(LHS)来更均匀地分布初始种群,以探索搜索空间和利用积累的知识。为了研究算法的性能和评估算法的可靠性,我们使用了一组多模态基准函数,然后将算法应用于MNIST数据集,以进一步验证算法的准确性,可扩展性和鲁棒性。实验结果表明,Epistocracy算法优于测试的最先进的进化和群体智能算法的性能,精度和收敛性。
2021-01-30 cs.AI cs.NE
Evolving Embodied Intelligence: Graph Neural Network--Driven Co-Design of Morphology and Control in Soft Robotics
LIACS, Leiden University(莱顿大学LIACS);School of Mechanical Engineering, Xi’an Jiaotong University(西安交通大学机械工程学院);Department of Computer Science, Loughborough University(洛桑大学计算机科学系)
本文提出基于图神经网络的软机器人形态与控制协同设计方法,通过图结构建模实现形态演化与控制策略的动态适应,实验表明该方法在最终适应度和形态变化适应性上优于传统MLP方法。
2026-03-20 cs.AI cs.RO
Giving Up Control: Neurons as Reinforcement Learning Agents
人工智能在历史上依赖于专家设计的规划、逻辑和手工方法。一直声称要追求创造智能。这种方法没有承认智能是从复杂系统的动态中产生的。大脑中的神经元受局部规则支配,没有单个神经元或神经元组协调或控制其他神经元。这种局部结构产生了适当的动态,智能可以在其中出现。神经元群体必须与它们的邻居竞争资源、抑制和活动表征。与此同时,它们必须合作,这样种群和生物体才能执行高级功能。为此,我们引入建模神经元作为强化学习代理。每个神经元都可以被看作是一个独立的参与者,试图最大化自己的利益。通过以这种方式构建学习,我们为构建智能系统的全新方法打开了大门。
2020-03-17 cs.AI cs.NE
Artificial Intelligence Enabled Software Defined Networking: A Comprehensive Overview
Ozyegin University(厄兹耶因大学);Ege University(爱琴海大学)
软件定义网络(Software defined networking,SDN)是一种结合了集中管理和网络可编程性的网络架构。SDN将控制平面与数据平面分离,并将网络管理转移到一个中心点,称为控制器,可以编程并用作网络的大脑。最近,研究界已经表现出越来越多的趋势,受益于人工智能(AI)领域的最新进展,以提供学习能力和更好的决策在SDN。在这项研究中,我们详细概述了最近将AI纳入SDN的努力。我们的研究表明,研究工作集中在人工智能的三个主要子领域,即:机器学习,元推理和模糊推理系统。因此,在这项工作中,我们调查了它们的不同应用领域和潜在用途,以及通过在SDN范式中包含基于AI的技术所实现的改进。
2018-11-06 cs.AI cs.NI
Submodularity In Machine Learning and Artificial Intelligence
University of Washington(华盛顿大学)
在这篇手稿中,我们提供了一个温和的审查子模和超模及其性质。我们提供了大量的次模定义;一个完整的描述了一些例子次模函数和它们的推广;例子离散约束;讨论最大化,最小化和其他操作的基本算法;连续次模扩展的简要概述;和一些历史应用。然后,我们转向子模块化在机器学习和人工智能中是如何有用的。这包括总结,我们提供了一个完整的帐户之间的差异和共性之间的素描,核心集,提取和抽象的总结在NLP,数据蒸馏和冷凝,数据子集选择和特征选择。我们讨论了产生对机器学习有用的子模块函数的各种方式,包括启发式手工制作、学习或近似学习子模块函数或其方面,以及使用子模块函数作为核心集产生器的一些优点。我们讨论子模块组合信息函数,以及子模块如何用于聚类、数据划分、并行机器学习、主动和半监督学习、概率建模以及结构化规范和损失函数。
2022-10-04 cs.AI cs.LG
Analysis of the Synergy between Modularity and Autonomy in an Artificial Intelligence Based Fleet Competition
University of Michigan(密歇根大学)
提供了一种新的方法来评估车队/单位的车辆模块化的好处和负担,通过分析攻击者-防御者游戏中自动驾驶车队之间的竞争的博弈理论模型。提出了一种基于智能代理模型的仿真结果拟合决策树,得到启发式操作策略的方法。考虑军事资源和以往决策的影响,建立了多阶段博弈模型。揭示了经营策略的纳什均衡,并探讨了其特点。舰队模块化的好处也进行了分析,通过比较不同的操作情况下的决策过程中的结果。
2019-07-02 cs.AI cs.LG cs.MA
Inability of a graph neural network heuristic to outperform greedy algorithms in solving combinatorial optimization problems like Max-Cut
Emory University(埃默里大学)
在Nature Machine Intelligence 4,367(2022)中,Schuetz等人提供了一种采用图神经网络(GNN)作为启发式算法来解决各种经典的NP难组合优化问题的方案。它描述了如何在样本实例上训练网络,并使用广泛使用的技术评估生成的GNN启发式算法,以确定其成功的能力。显然,利用这种网络的强大能力,以这种不干涉的方式“学习”复杂的多模式能源景观的错综复杂,这一想法似乎很诱人。并且基于观察到的性能,该启发式算法有望具有高度可扩展性,其计算成本与输入大小$n$成线性关系,尽管由于GNN本身的原因,前因子中可能存在显著的开销。然而,更仔细的检查表明,该GNN的报告结果仅比梯度下降的结果好一点点,并且被贪婪算法(例如Max-Cut)超越。讨论还强调了我认为是一些常见的误解,在评估的竞争力。
2022-10-02 cond-mat.dis-nn cs.AI cs.LG