本研究提出了一种新方法GPRT，结合强化学习与遗传编程，旨在解决动态调度中的不可预测干扰问题。该方法在集装箱码头调度中展现出优于传统方法的适应性和有效性。
LLM-GP-BT是一种结合大语言模型与遗传编程的机器人任务规划新方法，能够自动生成行为树，提升机器人在动态环境中的适应性和任务执行效率。该技术通过实时反馈优化控制策略，展现出优于传统方法的灵活性和可靠性，适用于搜索救援和自动配送等场景。
该研究提出Kozax框架，旨在解决遗传编程中适应性评估的高计算需求问题，支持大规模数据集和自定义运算符，展示了在科学计算中的优化潜力。
本研究利用遗传编程自动设计代数多重网格预条件器，以提高大规模激光束焊接模拟的效率。实验结果表明，该方法显著提升了解析求解器的性能，优化了耦合方程的求解效率。
本研究提出了一种基于语法引导的遗传编程优化代数多重网格（AMG）的方法。通过生成灵活的多重网格循环，并独立选择平滑器及其松弛权重，优化后的循环在效率和性能上显著优于传统方法。
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使用LLM进行遗传编程时的科学挑战。
本文探讨了大型语言模型（LLMs）在遗传编程中提升变异操作有效性的方法。通过结合MAP-Elites，ELM生成了数十万个功能性Python程序示例，训练出能够为特定地形输出合适机器人的条件语言模型。这一方法在无训练数据的领域中具有重要意义，可能推动开放性、深度学习和强化学习的新研究方向。
完成下面两步后，将自动完成登录并继续当前操作。
