Aspects of Evolutionary Design by Computers
本文介绍了计算机进化设计的四种主要类型：进化设计优化、进化艺术、进化人工生命形式和创新进化设计。提供了所有四个领域的定义。目前的工作，在每个这些领域的审查，已处理的应用程序的类型的例子。每个不同的属性和要求进行检查。典型的表示和进化算法的描述和使用这些技术的设计演变的例子。然后，本文讨论了如何这些领域的边界开始合并，导致四个新的“重叠”类型的进化设计：整体进化设计，基于人工生命的进化设计，审美进化AL和审美进化设计。最后，本文的最后一部分讨论了一些共同的问题所面临的进化设计系统，包括：设计中的相互依赖的元素，上位性和约束处理。
1998-09-23 cs.NE
Artificial intelligence in peer review: How can evolutionary computation support journal editors?
随着提交出版的稿件数量每年都在增长，同行评审的不足之处（如评审时间长）也越来越明显。编辑策略是一套旨在加快进程和减少编辑工作量的指导方针，被出版社视为商业机密，不公开分享。为了提高其战略的有效性，小出版集团的编辑面临着采取迭代试错的方法。我们表明，笛卡尔遗传编程，自然启发的进化算法，可以显着提高编辑策略。人工进化的策略将同行评审过程的持续时间缩短了30%，而没有增加评审人员的数量（与典型的人类开发的策略相比）。演化计算通常用于技术过程或生物生态系统。我们的研究结果表明，遗传程序可以改善现实世界的社会系统，通常比物理系统更难理解和控制。
2017-12-02 cs.DL cs.NE physics.soc-ph
Requirements for Open-Ended Evolution in Natural and Artificial Systems
开放式进化动力学仍然是人工进化系统难以实现的目标。在生物学文献中，有许多观点超出了达尔文关于变异、差异繁殖和遗传的基本要求。我认为，这些想法可以被看作是开放式进化的五个基本要求的方面：（1）健壮的生殖个体，（2）一种媒介，允许可能存在几乎无限多样性的个体和相互作用，（3）个体能够产生更复杂的后代，（4）突变途径，以其他可行的个体，（5）继续进化的驱动力。我简要地讨论了这一观点的影响，设计具有更大的进化潜力的人工系统。
2015-07-27 cs.NE q-bio.PE
When Hypermutations and Ageing Enable Artificial Immune Systems to Outperform Evolutionary Algorithms
我们提出了一个时间复杂度分析的Opt-IA人工免疫系统（AIS）。我们首先强调其区分算子的能力和局限性（即，具有突变潜力和老化的超突变）。最近的工作表明，老化与局部突变相结合，可以帮助摆脱局部最优的动态优化基准函数。我们概括了这一结果，严格证明，相比进化算法（EA），老化导致令人印象深刻的速度加快的标准悬崖基准函数时，使用本地和全球的突变。除非停止在第一建设性突变（FCM）机制的应用，我们表明，超突变需要指数预期的运行时间来优化任何函数的多项式数量的最优。如果使用FCM，则预期运行时间至多是比使用人工适应度水平方法的任何随机局部搜索算法所实现的上限大的线性因子。然而，我们证明了使用超变的算法可以大大快于EA在逃避局部最优。完整的Opt-IA的分析表明，它是有效的，以前考虑的功能和突出的问题，使用完整的算法是至关重要的。我们完成了图片，提出了一类功能，选择IA失败的压倒性的概率，而标准的EA是有效的。
2019-03-15 cs.NE
Playing Against the Board: Rolling Horizon Evolutionary Algorithms Against Pandemic
Institute of Digital Games, University of Malta（马耳他大学数字游戏研究所）
竞技棋盘游戏为人工智能提供了丰富多样的测试平台。本文认为，协同棋盘游戏对人工智能提出了不同的挑战，因为它必须平衡短期风险缓解与长期获胜策略。合作棋盘游戏要求所有玩家协调他们不同的力量或集中他们的资源，以克服棋盘和随机规则带来的不断升级的挑战。本文以协同棋盘游戏Pandemic为例，提出了一种滚动时域进化算法。大流行病博弈状态的变化是随机的，但这种变化是可预测的，这种复杂的变化方式需要许多专门设计的前向模型、决策的宏观行动表示以及进化算法的遗传操作的修复函数。探索乐观与悲观的游戏状态评估，不同的突变率和事件视野的算法的变体进行了比较，对基线层次的政策代理。结果表明，通过短期推出的渐进方法可以更好地解释董事会可能引入的未来危险，并防范它们。结果突出了协作棋盘游戏对人工智能构成的挑战类型，特别是在处理多玩家协作交互方面。
2021-03-28 cs.AI cs.MA cs.NE
Frontiers in Evolutionary Computation: A Workshop Report
Santa Fe Institute（圣塔菲研究所）；University of New Mexico（新墨西哥大学）
2021年7月，圣达菲研究所举办了一个关于演化计算的研讨会，作为其自然和人工系统智能基础项目的一部分。本项目旨在通过促进对智能本质的跨学科研究来推进人工智能领域。研讨会汇集了计算机科学家和生物学家，分享他们对进化的本质和演化计算的未来的见解。在本报告中，我们总结了每次会谈和随后的讨论。我们还提出了一些关键主题，并确定了未来研究的重要前沿。
2021-10-20 cs.LG cs.NE
Artificial Hormone Reaction Networks: Towards Higher Evolvability in Evolutionary Multi-Modular Robotics
Karl-Franzens University Graz（格拉茨卡尔·弗朗岑斯大学）
机器人控制器软件的半自动或自动合成既令人满意又具有挑战性。通过应用人工进化来合成相当简单的行为，例如避免碰撞，已经多次展示。然而，这种合成的难度随着机器人应该执行的任务的复杂性的增加而大大增加。我们试图解决这个问题的复杂性与人工稳态激素系统（AHHS），它提供了内在的，稳态的过程和（瞬态）内在的，变异的行为。通过使用AHHS，对预定义的控制器拓扑或关于应用领域的信息的需要被最小化。我们研究了控制器的原理设计和激素网络大小如何影响人工进化的整体性能（即，进化性）。这是通过比较AHHS的两种变体来完成的，这两种变体在突变时显示出不同的效果。我们进化了一个机器人的控制器，该机器人由五个自主合作的模块组成。期望的行为是通过使用模块的主铰链导致快速运动的步态形式。
2010-11-17 cs.AI cs.NE cs.RO
Neuroevolutionary optimization
本文提出了一种应用进化搜索程序的人工神经网络。在这里，我们可以区分人工神经网络中的三种进化，即连接权重的进化、结构的进化和学习规则的进化。我们详细回顾了每种演变，并分析了与不同演变相关的关键问题。本文主要研究如何利用进化算法优化人工神经网络参数。
2010-04-20 cs.NE
Incremental Evolution and Development of Deep Artificial Neural Networks
已知神经进化（NE）方法用于将演化计算应用于人工神经网络（ANN）的优化。尽管帮助非专家用户设计和训练ANN，但绝大多数NE方法忽略了在解决其他任务时收集的知识，即，对于每个问题，进化都是从零开始的，最终延缓了进化过程。为了克服这个缺点，我们将快速深度进化网络结构化表示（Fast-DENSER）扩展到增量开发。我们假设，通过转移从以前的任务中获得的知识，我们可以获得更好的结果和加速进化。结果表明，增量开发所生成的模型的平均性能在统计上优于非增量开发的平均性能。如果增量开发所执行的评估数量小于非增量开发所执行的评估数量，则所获得的结果在性能上相似，这表明增量开发加速了进化。最后，使用增量开发生成的模型更好地泛化，因此，无需进一步进化，就可以在看不见的问题上报告卓越的性能。
2020-04-01 cs.NE
Sooner than Expected: Hitting the Wall of Complexity in Evolution
在进化机器人中，控制软件的编码将传感器数据（输入）映射到电机控制值（输出），通过随机优化方法来完成预定义的任务。这种方法被认为是有益的控制器设计的标准方法相比，在这些情况下，没有先验模型，可以帮助优化性能。对于必须在不可预测的环境中操作的机器人，进化机器人方法也是有利的。我们在这里证明，这种无模型的方法不是免费的午餐，因为已经简单的任务可以代表完全开放式的不知情的演化计算技术无法解决的障碍。我们在这里提出的“Wankelmut”任务作为一个目标的进化方法，从头开始没有预先成型的控制器软件或任何其他知情的方法，将迫使行为以所需的方式进化。我们的核心主张是，“Wankelmut”代表了使普通演化计算失败的最简单的一组问题。我们证明了这一点，通过一系列简单的标准进化方法，使用不同的适应度函数和标准的人工神经网络以及连续时间递归神经网络。我们所有的测试方法都失败了。我们主张，任何其他进化方法本身不支持或强制实施模块化，也不冻结或保护已经进化的功能，也会失败。因此，我们提出了一个难以通过的基准，并作出强有力的声明，自复杂化和生成方法在演化计算。我们预计，定义这样一个“最简单的任务失败”是一个有价值的基准，促进人工智能，进化机器人和人工生命领域的未来发展。
2016-09-25 cs.NE
Artificial Neoteny in Evolutionary Image Segmentation
幼态持续（Neoteny），也称为幼态发育（Paedomorphosis），在生物学上可以定义为生物体在以后的生活中保留幼年甚至幼虫的特征。在某些物种中，所有的形态发育都是迟缓的;有机体是幼年的，但性成熟。从进化论的角度来看，幼态形成的过程表明，在某些情况下，现有生物体的幼虫阶段和发育阶段可能会产生全新的生物体。虽然目前的工作并不假装以任何方式来模拟或模拟这样一个概念的生物细节，这些想法被纳入了一个相当简单的抽象计算策略，以允许（如果可能的话）更快地收敛到简单的非模因遗传算法，即不使用局部改进程序（例如，通过鲍德温或拉马克学习）。作为一个案例研究，遗传算法用于彩色图像分割的目的，通过使用K-均值无监督聚类方法，即指导进化算法在他的搜索找到最佳或次优的数据分区。平均结果表明，使用neotonic策略，采用青少年基因型到后代和使用线性动态突变率，而不是常数，可以增加58%的适应值相比，经典的遗传算法，独立于初始人口的特点，在搜索空间。关键词：遗传算法，人工神经持续，动态变异率，快速收敛，彩色图像分割，分类，聚类。
2004-12-17 cs.AI cs.NE
Non-Spatial Hash Chemistry as a Minimalistic Open-Ended Evolutionary System
本文提出Hash Chemistry的非空间变体，利用多重集显式表示粒子邻近性以降低计算成本，实现了复制型高阶实体尺寸更显著的无界增长，为开放式演化系统提供了极简范例。
2024-04-27 cs.DM cs.NE q-bio.PE
Evolutionary Developmental Biology Can Serve as the Conceptual Foundation for a New Design Paradigm in Artificial Intelligence
该研究指出现有AI范式缺乏统一框架的局限，提出可借鉴进化发育生物学（EDB）的适应原则构建AI新设计范式的概念框架，并给出两种基于发育原理的学习系统设计，解决机器学习的多项核心局限。
2025-06-15 cs.AI cs.LG cs.NE
Amorphous Fortress: Observing Emergent Behavior in Multi-Agent FSMs
New York University（纽约大学）
本文提出非晶堡垒系统，一个抽象空间化的开放式人工生命模拟，利用有限状态机表示智能体并随机生成进化，结合爬山者算法探索涌现AI行为。
2023-06-22 cs.AI cs.MA cs.NE
First Steps Towards a Runtime Comparison of Natural and Artificial Evolution
进化算法（EA）形成了一个受自然进化启发的流行优化范式。近年来，演化计算领域发展了一套严格的分析理论，用来分析它们在许多典型问题上的运行时间。在这里，我们将这一理论应用于一个简单的自然进化模型。在强选择弱突变（SSWM）进化机制中，新突变发生之间的时间远远长于新的有益突变接管种群所需的时间。在这种情况下，种群只包含一个基因型的拷贝，进化可以被建模为（1+1）型过程，其中接受新基因型（改进或复制）的概率取决于适应度的变化。我们提出了一个初始的运行时分析SSWM，量化其性能的各种参数和调查的差异（1+1）EA。我们表明，SSWM可以有一个温和的优势，（1+1）EA在跨越健身谷和研究的例子，SSWM优于（1+1）EA利用信息的健身梯度。
2015-10-01 cs.NE
Evolutionary Computation for the Design and Enrichment of General-Purpose Artificial Intelligence Systems: Survey and Prospects
University of Granada（格拉纳达大学）；TECNALIA（泰克纳利亚公司）；Basque Research Technology Alliance (BRTA)（巴斯克研究技术联盟（BRTA））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））；Southern University of Science and Technology（南方科技大学）；University of Nottingham（诺丁汉大学）；Victoria University of Wellington（惠灵顿维多利亚大学）；University of Birmingham（伯明翰大学）；CERCIA
该综述梳理了进化计算（EC）在通用人工智能系统（GPAIS）设计与增强中的作用、研究进展与应用挑战，提出了EC优化GPAIS的策略并指明未来研究方向。
2024-06-03 cs.AI cs.NE
Evolutionary Computation and AI Safety: Research Problems Impeding Routine and Safe Real-world Application of Evolution
Uber AI（优步AI）
人工智能和机器学习的最新发展激发了人们对日益增长的人工智能安全领域的兴趣，该领域研究如何在部署人工智能系统时防止人类伤害事故。因此，本文探讨了人工智能安全与演化计算的交叉点，以显示安全问题是如何出现在演化计算和如何从进化计算和生物进化的理解可以通知更广泛的研究人工智能安全。
2019-10-04 cs.AI cs.NE
Machine learning and evolutionary techniques in interplanetary trajectory design
European Space Agency（欧洲航天局）；KTH Royal Institute of Technology（皇家理工学院）
本文探讨了人工智能研究在行星际轨道最优设计中的协同作用，提出利用深度人工神经网络在任务中表示最优引导剖面，并通过地球-火星轨道转移案例扩展了此前在着陆场景和四旋翼动力学中的研究结果，开辟了行星际轨道规划的新研究领域。
2018-09-28 cs.NE cs.SY eess.SY
Artificial Mutation inspired Hyper-heuristic for Runtime Usage of Multi-objective Algorithms
在过去的几年中，多目标进化算法（MOEA）已被应用到不同的软件工程问题，许多相互冲突的目标，同时优化。从理论上讲，进化算法具有很好的运行时优化特性，因为它们可以在任何执行时间提供解决方案。在实践中，基于达尔文启发的自然选择，这些进化算法产生了许多死产的解决方案，其计算导致了计算资源的浪费：自然选择自然是缓慢的。在本文中，我们通过观察现代生物学研究，重新考虑了这一基本类比，以加速MOEA的收敛：人工选择已被用于实现预期的特定目的，而不仅仅是依靠交叉和自然选择（即，Muller等[18]用X射线对水果进行人工诱变的研究）。抛开与自然选择的类比，本文提出了一种超启发式MOEA算法命名为Sputnik 1，使用人工选择性变异，以提高收敛速度的MOEA。Sputnik利用过去的突变效率历史来选择最相关的突变来执行。我们评估Sputnik上的云推理引擎，它驱动按需配置，同时考虑冲突的性能和成本目标。我们已经进行了实验，以突出Sputnik在分辨率时间方面的显着性能改进。
2014-02-18 cs.NE cs.SE
Evolutionary Innovations and Where to Find Them: Routes to Open-Ended Evolution in Natural and Artificial Systems
Faculty of Information Technology, Monash University（蒙纳士大学信息技术学院）；International Programmes in Computing, University of London（伦敦大学计算国际项目）
本文提出了一个高层次的概念框架，以帮助定向的讨论和实施的开放性的进化系统。利用Banzhaf等人的早期工作，确定了三种不同的开放性：探索性、扩展性和转换性。这些特征在于它们与表型行为的搜索空间的关系。一个形式主义的介绍，以描述三个关键过程所需的进化过程：从遗传描述的表型的产生，该表型的评价，并根据他们的评价与变异的个人繁殖。这些过程的内在实现和外在实现是有区别的。然后，讨论如何调查这些过程之间的各种相互作用，以及它们的执行模式，可以导致开放式。然而，本文的一个重要贡献是证明这些考虑因素只与探索性开放性有关。实施更有趣的种类的开放性-扩张和转型-的条件也进行了讨论，强调的因素，如多个域的行为，transdomain桥梁，和非添加剂组成的系统。这些因素与个体和种群的一般进化特性无关，而是与构建个体生物体的基石的性质以及它们所处环境的规律和特性有关。最后，本文建议如何使用框架来分类和比较不同系统的开放式进化潜力，它如何可能会指导设计的系统具有更大的开放式进化能力，以及如何可能会进一步改善。
2019-02-21 cs.AI cs.NE
Guiding Evolution of Artificial Life Using Vision-Language Models
University College London（伦敦大学学院）；Institut Pasteur（巴斯德研究院）
本文提出 ASAL++，利用视觉-语言模型依据模拟视觉历史生成递进进化目标，并通过 EST 与 ETT 两种策略在 Lenia 中验证其开放式人工生命搜索效果。
2025-09-26 cs.AI cs.NE
Perspective: Purposeful Failure in Artificial Life and Artificial Intelligence
Sony Computer Science Laboratories（索尼计算机科学实验室）
复杂的系统会失败。我认为，失败可以是一个蓝图表征生物体和生物智能，控制机制，以增加进化模拟的复杂性，并替代经典的健身优化。在人工生命和人工智能中模仿生物学上的成功可能会产生误导;模仿失败提供了一条理解和模仿人工系统中生命的道路。
2021-02-24 cs.AI cs.CY cs.LG
Sparse evolutionary Deep Learning with over one million artificial neurons on commodity hardware
Eindhoven University of Technology（埃因霍温理工大学）；University of Twente（特文特大学）；Iowa State University（爱荷华州立大学）
人工神经网络（ANN）已经成为研究界的热门话题。尽管人工神经网络取得了成功，但由于模型大小的不断增加和数据量的前所未有的增长，在商品硬件上训练和部署现代人工神经网络是具有挑战性的。特别是对于微阵列数据，非常高的维度和少量的样本使得机器学习技术难以处理。此外，诸如图形处理单元（GPU）的专用硬件是昂贵的。稀疏神经网络是解决这些挑战的主要方法。然而，现成的稀疏性诱导技术要么从预先训练的模型操作，要么通过二进制掩码强制执行稀疏结构。稀疏神经网络的训练效率在实际中很难得到。在本文中，我们介绍了一种技术，使我们能够训练真正稀疏的神经网络与固定的参数计数在整个训练。实验结果表明，该方法可以直接应用于处理高维数据，同时比传统的两阶段方法具有更高的精度。此外，我们已经能够创建具有超过一百万个神经元的真正稀疏的多层感知器（MLP）模型，并在没有GPU的典型笔记本电脑上对它们进行训练，这远远超出了任何最先进的技术。
2021-01-16 cs.LG cs.NE stat.ML
The Surprising Creativity of Digital Evolution: A Collection of Anecdotes from the Evolutionary Computation and Artificial Life Research Communities
生物进化提供了一个复杂而微妙的适应性的创造性源泉，经常让发现它们的科学家感到惊讶。然而，由于进化是一个超越其发生的基质的算法过程，进化的创造力并不局限于自然。事实上，数字进化领域的许多研究人员已经观察到他们不断进化的算法和生物体颠覆了他们的意图，暴露了代码中未被识别的错误，产生了意想不到的适应性，或者表现出与自然界惊人的趋同结果。这些故事通常揭示了数字世界中进化的创造力，但它们很少符合标准的科学叙述。相反，它们往往被视为需要克服的障碍，而不是值得研究的结果。故事本身通过口头传统在研究人员之间进行交易，但这种信息传递模式效率低下，容易出错和彻底丢失。此外，这些故事往往只在实践者之间分享，这意味着许多自然科学家没有意识到数字生物是多么有趣和逼真，以及它们的进化是多么自然。据我们所知，以前没有出版过这样的轶事集。本文是人工生命和演化计算领域的研究人员的众包产品，他们提供了此类案例的第一手资料。因此，它作为一个书面的，事实核查收集科学上重要的，甚至是娱乐性的故事。在这样做的同时，我们也在这里提出了大量的证据，证明进化惊喜的存在和重要性超出了自然世界，而且可能确实是所有复杂进化系统的普遍属性。
2019-11-21 cs.NE
2019 Evolutionary Algorithms Review
Arm Inc.（安谋公司）；MAANA Inc.（MAANA公司）
进化算法的研究和应用始于50多年前。与其他人工智能技术一样，由于计算的可用性增加、更健壮和可用的开源软件库以及对人工智能技术的需求增加，进化算法可能会得到更多的使用和发展。随着这些技术越来越多地被采用和使用，现在是正确的时候来看待它们融入社会的能力以及它们打算增强的人类进程。在这篇综述中，我们探索了一种新的进化算法分类法和由此产生的分类法，这些分类法着眼于五个主要领域：管理环境控制的能力，解释和重复搜索过程的能力，理解解决方案中输入和输出因果关系的能力，管理算法偏差的能力，由于数据或用户设计，最后，添加纠正措施的能力。这些领域的动机是当今工业界面临的压力，即要符合社会关注的问题和新的政府监管规则。由于进化算法的许多评论存在，激发这种新的分类后，我们简要地分类广泛的算法，并确定未来的研究领域。
2019-06-03 cs.LG cs.NE
Planarian Neural Networks: Evolutionary Patterns from Basic Bilateria Shaping Modern Artificial Neural Network Architectures
Harrisburg University of Science and Technology（哈里斯堡科技大学）；Amgen Inc.（安进公司）；DevIS LLC（DevIS有限责任公司）；Nanjing Audit University（南京审计大学）
本文受涡虫由一个脑和两条神经索构成的神经系统启发，以ResNet为基础提出涡虫式神经网络，并在CIFAR-10/100上验证其图像分类准确率优于基线模型。
2025-01-08 cs.AI cs.CV cs.LG
A Hybrid Evolutionary System for Automated Artificial Neural Networks Generation and Simplification in Biomedical Applications
University of A Coruna（拉科鲁尼亚大学）；Georgia Tech（佐治亚理工学院）
生物医学数据的数据采掘和数据分类是计算机科学的两个重要研究领域。在众多可用于此目的的技术中，神经神经网络（ANN）是最合适的技术之一。该技术发展中的主要问题之一是整个过程的缓慢性能。传统上，在这个开发过程中，需要人类专家来试验不同的架构过程，直到他们找到一个能够解决特定问题的正确结果。然而，已经出现了许多研究，其中描述了不同的ANN开发技术，或多或少自动化。在本文中，作者专注于开发一种新技术来对生物医学数据执行此过程。新技术中，两个演化计算（EC）技术混合自动开发人工神经网络。这些技术是遗传算法和遗传编程。这项工作更进一步，这里描述的系统允许获得具有少量神经元的简化网络来解决问题。该系统相比，已经存在的系统，也使用EC一组众所周知的问题。从这些比较得出的结论表明，这种新系统产生了非常好的结果，在最坏的情况下，至少与现有技术相当，在许多情况下，更好。
2019-04-09 cs.LG cs.NE
Forced Evolution in Silico by Artificial Transposons and their Genetic Operators: The John Muir Ant Problem
State University of New York at Stony Brook（纽约州立大学石溪分校）；The Sechenov Institute of Evolutionary Physiology and Biochemistry（谢切诺夫进化生理与生物化学研究所）；University of Granada（格拉纳达大学）
现代演化计算利用基于从达尔文自然选择理论中借用的概念的启发式优化。我们认为，在这个领域的一个重要方向必须是算法，模型的活动基因组寄生虫，如转座子，在生物进化。这篇文章是我们朝着开发模拟基因组寄生虫作用的最小分类算法方向迈出的第一步。具体来说，我们开始在域的遗传算法（GA），并选择人工蚂蚁问题作为测试用例。我们将这些人工转座子定义为蚂蚁代码的一个片段，它具有使其与其他部分分开的特性。我们得出的结论是，人工转座子，类似于真正的转座子，是真正能够作为智能的突变，适应在与宿主共同进化的过程中的进化问题。
2009-10-29 cs.AI cs.NE
Creative AI Through Evolutionary Computation: Principles and Examples
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Cognizant Technology Solutions（高知特科技解决方案公司）
人工智能的主要力量不在于对我们已经知道的东西进行建模，而在于创造新的解决方案。这样的解决方案存在于非常大的，高维的，复杂的搜索空间。基于群体的搜索技术，即演化计算的变体，非常适合于找到它们。这些技术使人们有可能为现实世界中的实际问题找到创造性的解决方案，使创造性的人工智能通过演化计算可能成为“下一个深度学习”。"
2021-02-15 cs.AI cs.LG cs.NE
Creative AI Through Evolutionary Computation
The University of Texas at Austin（得克萨斯大学奥斯汀分校）；Cognizant Technology Solutions（高知特技术解决方案公司）
人工智能的主要力量不在于对我们已经知道的东西进行建模，而在于创造新的解决方案。这样的解决方案存在于非常大的，高维的，复杂的搜索空间。基于群体的搜索技术，即演化计算的变体，非常适合于找到它们。这些技术也很好地利用了大规模并行计算资源，使通过演化计算的创造性AI成为可能的“下一个深度学习“。
2020-02-22 cs.AI cs.LG cs.NE
An Artificial Life Simulation Library Based on Genetic Algorithm, 3-Character Genetic Code and Biological Hierarchy
本文设计并实现基于GA、3字符遗传密码和生物层级的Python人工生命模拟库DOSE，并通过三维生态世界实验考察突变率对遗传序列的影响。
2023-02-19 cs.NE q-bio.PE
Digital Genesis: Computers, Evolution and Artificial Life
以创造人工智能和人工生命为目标的进化论在数字领域的应用与数字计算机本身的历史一样悠久。我们说明了这些想法交织的历史，从约翰·冯·诺依曼的早期理论工作和尼尔斯·阿尔·巴里切利的开创性实验工作开始。我们认为，进化思维和人工生命将继续在数字世界的未来发展中发挥不可或缺的作用。
2015-12-07 cs.NE
Evolution imposes an inductive bias that alters and accelerates learning dynamics
该研究结合自然选择模拟与在线学习，对人工神经网络进行进化条件化，发现进化本身构成一种归纳偏置，可使网络在强化和监督学习中被快速微调至最优性能。
2025-05-15 cs.NE q-bio.NC
Multiobjective Evolutionary Component Effect on Algorithm behavior
IRIT - CNRS UMR5505, University of Toulouse（图卢兹大学IRIT（法国国家科学研究中心UMR5505））；University of Brasilia（巴西利亚大学）；University of Stirling（斯特林大学）；University of Tsukuba（筑波大学）
本文提出一种新方法，通过搜索轨迹网络、种群多样性和任意时间超体积值，系统分析自动设计的MOEA/D各组件对算法行为的影响，揭示不同问题类型下组件贡献的差异。
2023-07-31 cs.AI cs.NE
An Evolutionary Algorithm for Error-Driven Learning via Reinforcement
Chinese Academy of Sciences（中国科学院）；University of Southampton（南安普顿大学）
虽然不同的学习系统被协调以提供复杂的行为，但人们对这是如何发生的知之甚少。本文描述了一个理论框架，该框架指定了如何通过简单的强化来获得可能被认为需要错误驱动学习的复杂行为。该框架包括对（人工）神经网络进化机制的具体假设，以生成允许网络仅使用有关其性能质量的信息来学习大规模复杂问题的拓扑结构。该框架的实际和理论意义进行了讨论，是可能的生物类似物的方法。
2015-03-26 cs.AI cs.NE
Emergent Network Structure, evolvable Robustness and non-linear Effects of Point Mutations in an Artificial Genome Model
遗传调控是发展的一个关键组成部分，但对遗传网络的结构和动态的清晰理解还没有到手。在本文中，我们研究了这些性质的人工基因组模型最初介绍的Reil（1999）。我们分析了随机生成的基因组的统计特性的序列和网络水平上，并表明，该模型正确地预测基因组中的基因的频率在实验数据中发现。使用进化算法的基础上稳定选择的表型，我们表明，对单碱基突变的动态鲁棒性，以及对随机变化的初始状态的监管动态，模仿环境条件下的随机波动，可以并行出现。在序列水平上的点突变对网络布线具有强烈的非线性影响，包括结构中性突变和多个连接的同时重新布线，这偶尔会导致吸引子景观的强烈重组和演化动力学的亚稳定性。进化的基因组在序列和网络水平上都表现出特征模式。
2009-08-25 cond-mat.dis-nn cs.NE q-bio.GN
Passive and Driven Trends in the Evolution of Complexity
从化石记录中很难评估复杂性演化趋势的性质和来源，这种趋势的驱动与被动性质已经争论了几十年。还有一个问题是，人工生命软件如何有效地进化越来越高的复杂性。我们扩展了我们以前的工作，展示了在人工生命系统（Polyworld）中神经复杂性的信息理论测度的进化增加，并介绍了一种新的技术，用于区分复杂性的驱动和被动趋势。我们的实验表明，在某些情况下，进化可以并且确实选择以驱动方式增加的复杂性，但在其他条件下，它也可以选择复杂性稳定性。这表明复杂性的进化完全是在物种的尺度上被驱动的--只是不是单一的方向。这就留下了更大尺度上的进化趋势问题。
2011-12-21 cs.NE q-bio.PE
Concurrent Pump Scheduling and Storage Level Optimization Using Meta-Models and Evolutionary Algorithms
尽管商品硬件提供的计算能力不断增长，但复杂配水系统的快速泵调度仍然是一个挑战。在本文中，人工神经网络（ANN）元建模技术已被采用与遗传算法（GA）的同时优化泵的操作和罐的水平在周期结束。广义GA+ANN算法已在英国的一个真实系统上进行了测试。与现有运行相比，日成本降低约10- 15%，而泵开关次数保持在每天4次以下。此外，水箱液位经过优化，确保周期性行为，从而在重复循环中实现可预测和稳定的性能。
2017-11-14 cs.NE
Role of Morphogenetic Competency on Evolution
本研究通过计算机模拟进化人工胚胎，发现形态发生能力显著改变进化动力学，进化倾向于提升解剖智能而非完善结构基因，暗示自然进化利用细胞问题解决能力增强可进化性。
2023-10-13 cs.NE nlin.AO q-bio.PE
Lenia - Biology of Artificial Life
我们报告了一个新的人工生命系统Lenia（来自拉丁语lenis“smooth”），一个具有连续时空状态和广义局部规则的二维元胞自动机。计算机模拟表明，Lenia支持多种复杂的自主模式或“生命形式”，与现实世界的微观生物相似。目前已鉴定出18科400多个物种，其中许多是通过交互式进化计算发现的。它们不同于其他元胞自动机模式的几何，同色异谱，模糊，弹性，自适应和规则通用。我们提出了关于时空和基本设置的属性系统的基本意见。我们提供了一个广泛的调查的生命形式，将它们归类到一个层次分类，并映射它们的分布在参数超空间。描述了它们的形态结构和行为动力学，提出了它们自推进、自组织和可塑性的可能机制。最后，我们将讨论如何研究Lenia将与生物学，人工生命和人工智能。
2019-05-04 cs.NE nlin.CG nlin.PS
Network Structure and Dynamics, and Emergence of Robustness by Stabilizing Selection in an Artificial Genome
遗传调控是发展的一个关键组成部分，但对遗传网络的结构和动态的清晰理解还没有到手。在这项工作中，我们在最初由Reil引入的人工基因组模型中研究了这些特性。我们分析了随机生成的基因组的统计特性的序列和网络水平上，并表明，该模型正确地预测基因组中的基因的频率在实验数据中发现。使用进化算法的基础上稳定选择的表型，我们表明，对单碱基突变的鲁棒性，以及对初始网络状态的随机变化，模仿环境条件下的随机波动，可以并行出现。进化的基因组在序列和网络水平上都表现出特征模式。
2008-04-30 cond-mat.dis-nn cs.NE q-bio.GN
