本研究提出了一种新交叉算子粒子群优化启发交叉（PSOX），旨在改进实数编码遗传算法。PSOX结合全局最佳解和历史最优解，提升了收敛速度并保持了种群多样性。实验结果表明，PSOX在解决方案的精度和稳定性方面优于其他五种交叉算子。

本研究提出了一种遗传算法，动态优化云计算中的虚拟机配置，以降低能耗并确保服务水平协议的遵守。实验结果表明，该方法在能耗、虚拟机迁移和执行时间等方面显著优于传统方法。

本研究提出了一种双个体遗传算法用于优化二元图像分类中的神经网络，通过领导者和跟随者角色进行特征优化，训练准确率达到99.04%，优于传统方法。

本文探讨了智能城市中声源分离的挑战，特别是在有限训练数据下的复杂声景分析。提出的量子启发式遗传算法（p-QIGA）利用量子信息理论提升声源分离能力，实验结果表明其在噪声环境和有限数据条件下表现优异，推动智能城市声学信号处理的发展。

本研究针对社交媒体平台中用户内容受限的现象，提出了一种基于大语言模型的多智能体框架，用于仿真语言策略的演化过程。该方法通过遗传算法优化语言表达策略，在多轮对话中显著提升了信息传递的准确性与交流持续性，展现了在监管环境下的长期适应能力。

本研究提出了一种基于遗传算法的模型演化框架（MEGA），旨在解决多任务强化学习中的模型资源不足问题。MEGA框架能够根据任务难度自动演化模型，提升其能力，实验结果表明其在机器人操作任务中表现优异。

DeepMind的新研究“Mind Evolution”结合遗传算法，将大语言模型在规划任务中的成功率从5%提升至95%。该方法无需微调，显著降低成本，能够直接处理自然语言问题，避免了传统方法的复杂性。实验结果显示，Mind Evolution在各种任务中表现优异，尤其在复杂任务中更具优势。

该研究解决了量子计算中噪声对脉冲保真度和电路性能的影响，提出了一种自适应算法，通过动态响应噪声条件有效提高脉冲级别的量子误差缓解。实验结果表明，该方法在提升量子电路执行的保真度方面显示出灵活性和高效性，为量子计算中的误差缓解技术做出了重要贡献。

本研究提出了一种双层集成机器学习模型，以应对动态环境中的概念漂移问题。该模型结合全球机器学习与概念漂移检测，优于传统方法，展现了在复杂事件中的应用潜力。

本文介绍了DebateBrawl，一个结合大型语言模型和遗传算法的AI辩论平台，提升辩论的适应性和参与感。该系统能够生成连贯的论证并实时调整策略，用户的辩论能力显著提高，事实准确率达到92%。

本研究提出了一种基于遗传算法的α情感混合集成模型（GAS），结合34个α因子和8个新闻情感因子，有效预测比特币市场趋势，展现出显著的实用潜力。

人工智能驱动的药物设计方法可以改善全新药物设计过程，研究对小分子和蛋白质生成进行分类和模型性能比较，讨论了并行挑战和未来方向。

GANetic loss 通过优化问题解决了 GAN 中的有效损失函数设计，成功提升了生成模型的稳定性和性能，并在图像生成和异常检测等应用中表现出色。

本研究介绍了一种新的方法，使用名为 MeGA 的遗传算法合并多个预训练神经网络的权重。通过使用竞标选择、交叉和变异来优化权重组合，我们的方法允许合并模型继承父模型的优势特征，从而提高准确性和鲁棒性。通过在 CIFAR-10 数据集上的实验，我们证明了基于遗传算法的权重合并方法相比单独的模型和传统方法，能够提高测试准确性。这种方法为在各种深度学习应用中集成多个预训练网络提供了可扩展的解决方案。

现代炼油厂中的大规模原油调度问题（LSCOSPs）难以通过传统的优化方法解决。研究者提出了一个由启发式规则驱动的双阶段进化算法（DSEA/HR），在实际原油调度中进行了建模和优化。实验结果表明，DSEA/HR 在合理的时间内优于现有的数学规划方法和元启发式算法。