基于 Manta Ray Optimization with Levy Flight 的演化极限学习机用于晶体结构预测中的 ab initio 能量景观
神经与进化计算
2026-05-19 v1 人工智能
机器学习
摘要
Manta Ray Foraging Optimization 算法 (MRFO) 已被证明是解决大量工程问题的最优解的强大启发式策略。本文提出了 MRFO 与 Levy Flight 的改进版本，用于极限学习机 (ELM) 的训练，其基本模型是单层前馈网络 (SLFN)。我们称该方法为 Evolutionary EELM-MRFO-LF。该方法被用于预测二进制系统中纯组件晶体结构预测的未放松和放松形成能。EELM-MRFO-LF 遵循传统演化 ELM 的学习程序，即首先使用带有 Levy Flight 的 MRFO 选择输入权重，然后应用 Moore-Penrose (MP) 广义逆来确定输出权重。Lévy Flight 轨迹用于增加 ELM 种群的多样性，以避免早期收敛并提高躲避局部最优解的能力。在相似条件下，将建议的 EELM-MRFO-LF 性能与其他众所周知的自然启发式算法进行了比较。
引用
@article{arxiv.2605.17148,
title = {Evolutionary Extreme Learning Machine of ab-initio Energy Landscapes for Crystal Structure Prediction using Manta Ray Optimization with Levy Flight},
author = {Adrian Rubio-Solis},
journal= {arXiv preprint arXiv:2605.17148},
year = {2026}
}
备注
8 pages, 4 figures