Últimas noticias
Análisis profundos sobre computación evolutiva, actualizaciones del proyecto y noticias de la comunidad.
EvoGO: Computación en GPU × Aprendizaje Generativo → Un nuevo paradigma para algoritmos evolutivos con convergencia en 10 generaciones
EvoGO es un marco de optimización evolutiva totalmente basado en datos que aprende cómo generar mejores soluciones a partir de la experiencia de búsqueda pasada y logra un desempeño rápido y sólido en tareas complejas de alta dimensión.
iStratDE: Computación GPU x Poblaciones Ultra-Grandes Liberan Todo el Potencial de la Evolución Diferencial
El equipo de EvoX presenta iStratDE, un método de evolución diferencial acelerado por GPU que asigna estrategias fijas a nivel individual, permitiendo búsqueda paralela a gran escala sin comunicación, con sólido rendimiento empírico y garantías teóricas de convergencia.
Guía de inicio rápido de EvoX: Ejecute Evolutionary Computation acelerada por GPU en solo 10 minutos
Un tutorial para principiantes para comenzar con la Evolutionary Computation acelerada por GPU usando EvoX en solo 10 minutos.
Optimización Multiobjetivo Evolutiva Acelerada por GPU
Cerrando la brecha entre la Optimización Multiobjetivo Evolutiva y la aceleración por GPU mediante la tensorización, presentando la librería EvoMO.
MetaDE: Evolucionando la Evolución Diferencial mediante Evolución Diferencial
MetaDE es un método meta-evolutivo que utiliza la Evolución Diferencial para evolucionar sus propios hiperparámetros y estrategias, publicado en IEEE TEVC.
EvoRL: Un framework acelerado por GPU para el Aprendizaje por Refuerzo Evolutivo
EvoRL es un framework de Aprendizaje por Refuerzo Evolutivo de código abierto que integra algoritmos evolutivos con RL para mejorar la exploración y la adaptabilidad.
EvoGP: Un framework acelerado por GPU para Programación Genética basada en árboles
EvoGP es un framework de Programación Genética basada en árboles totalmente acelerado por GPU y construido sobre PyTorch, logrando una aceleración de hasta 100 veces en comparación con las implementaciones en CPU.