Die endgültige Version ist veröffentlicht: @YanboZhang3, @BeneHartl und @HananelHazan "Heuristisch adaptive Diffusionsmodell-Evolutionäre Strategie" Zusammenfassung: Diffusionsmodelle (DMs) und evolutionäre Algorithmen (EAs) teilen ein zentrales generatives Prinzip: die iterative Verfeinerung zufälliger Anfangsverteilungen zur Erzeugung hochwertiger Lösungen. DMs degradieren und stellen Daten mit Hilfe von Gaußschem Rauschen wieder her, was vielseitige Generierung ermöglicht, während EAs numerische Parameter durch biologisch inspirierte Heuristiken optimieren. Unsere Forschung integriert diese Rahmenbedingungen, indem sie auf tiefem Lernen basierende DMs einsetzt, um EAs in verschiedenen Bereichen zu verbessern. Durch die iterative Verfeinerung von DMs mit heuristisch kuratierten Datenbanken generieren wir besser angepasste Nachkommenparameter, die eine effiziente Konvergenz zu hochgradigen Lösungen erreichen und gleichzeitig die explorative Vielfalt bewahren. DMs erweitern EAs mit tiefem Gedächtnis, indem sie historische Daten speichern und subtile Korrelationen für verfeinerte Stichproben nutzen. Klassifikatorfreie Anleitung ermöglicht zudem eine präzise Kontrolle über evolutionäre Dynamiken, die auf spezifische genotypische, phänotypische oder Populationseigenschaften abzielt. Dieser hybride Ansatz verwandelt EAs in adaptive, gedächtniserweiterte Rahmenbedingungen und bietet beispiellose Flexibilität und Präzision in der evolutionären Optimierung, mit weitreichenden Implikationen für generative Modellierung und heuristische Suche.