AlphaEvolve是一个基于Gemini的进化算法代理，过去一年在科学和社会进步中发挥了重要作用。它改善了DNA测序错误修正，提高了灾害预测准确性，并在电网稳定性方面展现潜力。此外，AlphaEvolve加速了科学发现，帮助研究人员进行复杂分子模拟，并提升了谷歌基础设施和云客户的机器学习模型效率。未来计划将其能力扩展到更多现实挑战中。

本研究提出了TrajEvo框架，结合大语言模型与进化算法优化轨迹预测，克服了传统方法的局限性。研究结果表明，TrajEvo在多个数据集上优于传统和深度学习方法，展现出重要的应用潜力。

本研究提出了一种结合进化算法和机器学习的自动化两阶段方法，旨在帮助将遗留单体系统迁移至微服务架构，从而降低风险并提升服务识别和API生成的效果。

本研究探讨了在车辆网络中，如何自动搜索Ad hoc按需向量路由协议的高质量设置。采用基于进化算法和群体智能的并行多目标软计算算法，实验证明其配置优于其他优化方案，计算效率超过87%。

本文探讨了图神经网络（GNNs）与进化算法（EAs）的关系，提出了一种新进化算法——图神经进化（GNE），通过频域滤波器实现全局探索与局部开发的平衡，实验结果显示其在复杂环境中优于现有算法。

本文探讨了扩散模型在高维数据生成中的应用，包括图像合成和视频生成。研究提出了一个统一框架，并结合进化算法以提高生成效率，强调了扩散模型的潜力及未来发展方向。

本文探讨了脉冲神经网络（SNN）及其优化方法，包括进化算法和多目标适应函数。这些方法有效缩小了网络体积，提升了抗故障能力，并在边缘人工智能硬件上实现了高性能。通过模块化结构和全局互连性，提出的多目标进化算法在多个数据集上表现出色，推动了神经形态计算的发展。

本研究提出将大型语言模型（LLMs）与进化算法（EAs）结合，以提高自动化优化效率，解决手动干预过多和泛化性差的问题，并分析关键组件以促进两者的融合发展。

本研究提出了AutoRNet框架，结合大语言模型与进化算法，解决稳健网络设计中的NP难题，显著提升优化效率，减少人工设计和标注数据的需求。

本文介绍了一种基于GFlowNet的生成策略，旨在提高样本效率和多样性。通过优先回放和新目标等方法，解决了结构学分配问题。研究提出的EGFN模型利用进化算法训练代理参数，展示了在处理长轨迹和稀疏奖励时的有效性。新的Bifurcated GFlowNets方法提高了学习效率，适用于大规模问题。

研究探讨了扩散模型与进化算法的关系，证明扩散模型可视为进化算法。通过迭代去噪，扩散模型在高维参数空间中高效识别多个最优解，优于传统进化算法，减少计算步骤，促进两领域发展。

本文探讨了深度强化学习在机器人设计与控制中的应用，提出了优化步态控制和设计的多种方法，展示了机器人在复杂环境中的高效性能。研究涵盖动态双足机器人控制和进化算法优化四足机器人设计，强调了算法在实际应用中的重要性和有效性。

本研究探讨大型语言模型在社交机器人中的应用，涵盖教育、医疗和娱乐等领域。通过创新的协作框架，多个语言模型可在分析、编程和测试中合作，提升机器人开发效率。研究提出的RoboTool系统能够根据自然语言指令生成机器人控制代码，扩展机器人能力。此外，RoboMorph方法利用进化算法优化模块化机器人设计，展示了大型语言模型在机器人设计中的潜力。

本论文提出了EvoPrompt框架，结合大型语言模型和进化算法，提升语言理解和生成任务的表现。研究表明，LLMs在语法错误纠正和流畅度评估方面表现优异。通过自动提示优化和黑盒演化算法，显著提高了文本提示性能，强调了自动化提示设计的重要性。

本文研究了利用进化算法训练分布式机器人群体，以产生新兴行为并进行模拟实验。研究表明，进化方法能够有效设计机器人控制器，提升群体的灵活性和集体运动表现，并探索不同的集体行为模式及其在资源收集中的应用。

本研究探讨了大型语言模型（LLMs）在进化算法（EA）中的应用，提出了EvoLLM和LEO等新方法，展示了LLMs在优化任务中的潜力。研究表明，通过调整进化策略参数，LLMs能有效提升算法性能，尤其在分子发现和旅行推销员问题上表现优异。文章还讨论了LLMs的局限性及未来研究方向。

本文探讨了深度文本到3D模型的应用，提出了EvoPrompt框架，结合大型语言模型与进化算法，提升了语言理解与生成能力。研究表明，通过优化提示和进化算法，可以有效生成符合用户偏好的图像，并在多目标优化中取得显著进展。此外，POAC方法增强了文本到图像生成的性能，提高了生成图像的准确性和美学质量。

本文比较了基于强化学习和进化算法的神经架构搜索方法在图神经网络优化中的应用。研究表明，两种方法的准确性与随机搜索相似，并提出了搜索空间维度与问题相关性的疑问。此外，文章探讨了人工智能在6G网络中的应用及未来研究方向，包括算法鲁棒性和能源管理等。

本文提出了一种基于进化算法的集成学习方法，通过优化数据子集差异性，提升了Bagging算法在多个数据集上的性能。研究表明，该方法在数据污染攻击下仍能保持预测准确性，并在自然语言处理任务中表现出与单一模型相当的效果。此外，探讨了聚合学习的隐私保护和模型精度，提出了PriorBoost算法以改善模型质量。