标签
该论文提出了一种代理模型辅助的遗传编程框架，用于动态柔性作业车间调度中调度规则的终身学习，采用自适应两阶段训练策略和基于任务相似性的加权方法，在适应新任务的同时缓解灾难性遗忘。
EvoMO-SR 是一个由 LLM 驱动的新型符号回归框架。它使用一个小型 LLM（Llama-3.1-8B-Instruct）生成方程骨架，其系数由外部优化器拟合；同时通过多目标生存选择与子结构引导来控制表达式膨胀，并提升结构恢复能力。
本文提出了一种自适应保护机制，用于符号回归中的进化特征构建，旨在进化过程中保留重要的构建特征，并在回归基准测试和信用分类任务中展示了性能提升。
A tweet from DAIR AI highlights new research by Sakana AI introducing CEDAR, an LLM-agent method that designs, simulates, and refines complex system-dynamics models via Monte Carlo Tree Search over feedback structures, aiming to automate goal-directed design in artificial life.
MEMENTO引入了一种记忆引导的模因框架，用于进化机器人控制程序（代码即策略），在长时域具身任务中优于现有方法如Eureka和REvolve，并展示了从仿真到真实的迁移。
QDEvo将质量-多样性优化与LLM驱动的启发式搜索相结合，克服了自动启发式设计中的模态崩溃问题，在基准测试和真实世界应用中优于现有最先进方法。
本文介绍了极简遗传编程（Minimalist Genetic Programming, MGP），一种新颖的算法，它用受语言学中最简方案启发的句法推导过程取代了进化，并使用 MERGE 算子来构建符号表达式。MGP 在符号回归任务中能够一致地找到精确的真实模型，而标准 GP 由于膨胀问题难以做到这一点。
文章探讨了 Sakana AI 和 Meta 关于自我改进型 AI 智能体的最新研究，具体涉及达尔文-哥德尔机器（Darwin-Gödel Machine）和超智能体（Hyperagents），它们能够自主重写自身代码和基础设施以提升性能，且无需人工干预。
本文提出了双尺度进化策略训练（DEPT），旨在解决社交语言智能体的进化僵局问题，利用非对称优势重塑技术在自博弈过程中恢复梯度信号。