A versão final está disponível: @YanboZhang3, @BeneHartl, e @HananelHazan "Estratégia Evolutiva de Modelo de Difusão Heuristicamente Adaptativa" Resumo: Os Modelos de Difusão (MDs) e os Algoritmos Evolutivos (AEs) compartilham um princípio gerador central: o refinamento iterativo de distribuições iniciais aleatórias para produzir soluções de alta qualidade. Os MDs degradam e restauram dados usando ruído gaussiano, permitindo uma geração versátil, enquanto os AEs otimizam parâmetros numéricos através de heurísticas inspiradas biologicamente. Nossa pesquisa integra essas estruturas, empregando MDs baseados em aprendizado profundo para aprimorar os AEs em diversos domínios. Ao refinar iterativamente os MDs com bancos de dados curados heuristicamente, geramos parâmetros de descendência melhor adaptados, alcançando uma convergência eficiente em direção a soluções de alta aptidão, enquanto preservamos a diversidade exploratória. Os MDs aumentam os AEs com memória profunda, retendo dados históricos e explorando correlações sutis para amostragem refinada. A orientação sem classificador permite ainda um controle preciso sobre a dinâmica evolutiva, visando características genotípicas, fenotípicas ou populacionais específicas. Esta abordagem híbrida transforma os AEs em estruturas adaptativas, aprimoradas por memória, oferecendo flexibilidade e precisão sem precedentes na otimização evolutiva, com amplas implicações para modelagem generativa e busca heurística.