本研究提出了一种基于关键路径的深度神经网络异常检测方法。该方法通过提取关键路径并运用遗传算法，有效识别与正常输入显著不同的异常输入激活模式。实验结果表明，该方法在异常检测中表现优异，适用性广泛。

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。

本文综述了软件测试领域中自动化测试的挑战与改进方案，重点讨论遗传算法和粒子群优化方法的混合算法组合，以及其与突变测试和神经网络的互操作性，揭示了当前测试标准、可读性和模拟问题等挑战。

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。

本研究提出了一种基于遗传算法的云资源优化分配方法，旨在提高能源效率并确保服务质量。该方法通过动态调整虚拟机配置，显著降低能耗和服务水平协议违反率，实验结果验证了其有效性。

本研究提出了一种碳高效设计方法，针对深度神经网络加速器的碳足迹问题。通过近似计算和遗传算法优化，在45nm、14nm和7nm技术节点上实现最高30%的碳减排，且几乎不影响准确性。

本研究提出了一种新的超参数优化方法，结合线性代理模型与遗传算法，以解决探索与利用的平衡问题。实验结果表明，该方法平均性能提升1.89%，最大提升6.55%。

本研究探讨了在噪声环境下优化中等规模量子设备的量子电路问题。通过评估突变策略，并结合删除和交换策略，显著提升了遗传算法的效率，为量子电路优化提供了有效的解决方案。

本研究提出了一种基于卷积神经网络的AI代理群体，通过角色管理和遗传算法提高多任务处理的效率与质量，实验结果显示F1得分在82%至95%之间。

本研究提出METASCALE框架，旨在解决大型语言模型在复杂推理中对训练数据的依赖。通过结合多臂赌博机算法和遗传算法，METASCALE能够动态优化元思维，显著提升模型在多任务中的准确性与泛化能力，优于传统推理方法。

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。

本研究探讨通过个性化提示和遗传算法提升大型语言模型（LLMs）模拟人类判断与决策的能力，结果显示预测准确性显著提高。

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配置不足问题。该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，MEGA在多个机器人工具操作任务中表现优异，验证了其有效性。

本文提出了一种名为GA-KAN的遗传算法优化方法，旨在提升多层感知器的可解释性。该方法首次将进化计算应用于Kolmogorov-Arnold网络，显著提高了模型性能并减少了参数数量。