神经 LGP-SM:基于线性遗传编程的辅助神经进化方法
我们通过采用基于线性遗传编程的适当表示方法(称为 NeuroLGP)和应用克里金偏最小二乘法来解决神经演化中的计算挑战,提出了一种称为 NeuroLGP-Surrogate Model(NeuroLGP-SM)的方法。该方法在 96 次独立运行中表现出卓越的精度,并且比基线方法节省了 25% 的计算资源,进一步突显了其在神经演化中的效率。
最近,遗传编程领域出现了一种新的算法,基于大型语言模型(LLM)的演化代码算法。该算法利用LLM的提示和预训练模式匹配和序列完成能力,与传统的遗传编程算法不同。研究还提供了LLM GP的演示级变体及其代码,并讨论了设计和LLM使用的考虑因素,以及在遗传编程中使用LLM时面临的科学挑战。