Performance Comparison of Surrogate-Assisted Evolutionary Algorithms on Computational Fluid Dynamics Problems
Institute of Automation and Computer Science, Faculty of Mechanical Engineering, Brno University of Technology(布尔诺理工大学机械工程学院自动化与计算机科学研究所)
本文在两个真实计算流体动力学问题上比较了11种单目标代理辅助进化算法,发现较新方法及采用差分进化的技术性能显著更优。
2024-02-26 cs.AI cs.NE math.OC
Prasatul Matrix: A Direct Comparison Approach for Analyzing Evolutionary Optimization Algorithms
National Institute of Technology Silchar(西尔恰尔国家理工学院)
个体进化优化算法的性能主要是根据统计数据来衡量的,例如均值、中位数和标准差等,计算的最佳解决方案获得的算法的几个线索。为了比较两种算法的性能,比较这些统计量的值,而不是直接比较解决方案。这种比较缺乏对不同算法所得解的直接比较。例如,两个算法的最佳解(或最差解)的比较是不可能的。此外,算法的排名主要是在解决方案的质量方面,尽管算法的收敛性也是一个重要因素。本文提出了一种直接比较的方法来分析进化优化算法的性能。一个直接比较矩阵称为\emph{Prasatul Matrix}的准备,它帐户的直接比较结果的最佳解决方案获得了两个算法的特定数量的试验。基于Prasatul矩阵设计了五种不同的性能指标,以评估算法在最优性和解的可比性方面的性能。这些分数被用来开发一个分数驱动的方法,用于比较多个算法的性能,以及在解决方案的质量和收敛性分析的理由进行排名。提出的方法进行了分析与6个进化优化算法的25个基准函数。还进行了非参数统计分析,即Wilcoxon配对秩和检验,以验证所提出的直接比较方法的结果。
2022-12-01 cs.AI cs.LG cs.NE
A Comparison of the Taguchi Method and Evolutionary Optimization in Multivariate Testing
多元测试最近成为Web界面设计中一种很有前途的技术。与标准的A/B测试不同,多变量方法旨在系统地评估少数关键变量的大量值。田口方法是这一思想的实际实现,专注于值的正交组合。本文评估了一种替代方法:基于种群的搜索,即进化优化。它的性能进行比较,田口方法在几个模拟条件下,包括正交设计有利于田口方法,和两个现实的条件与变量之间的依赖关系。进化优化被发现表现得更好,特别是在现实的条件下,这表明它形成了一个很好的方法,在未来的Web界面设计。
2020-04-11 cs.NE
Evolutionary Strategy Guided Reinforcement Learning via MultiBuffer Communication
University of Galway(戈尔韦大学)
本文提出一种结合进化策略与TD3的进化强化学习模型,通过多缓冲区通信机制避免低质量轨迹污染回放缓冲区,在MuJoCo任务上超越CEM-RL。
2023-06-20 cs.AI cs.NE
A Comparison-Relationship-Surrogate Evolutionary Algorithm for Multi-Objective Optimization
针对有限评估预算下多目标优化收敛差的问题,提出基于比较关系代理模型的新算法CRSEA,实验证明其在多个中等规模双目标问题上优于现有SAEAs,提升了优化效率。
2025-04-29 cs.NE
A Reference Vector based Many-Objective Evolutionary Algorithm with Feasibility-aware Adaptation
Dalian University of Technology(大连理工大学);Montréal Institute of Learning Algorithms (Mila)(蒙特利尔学习算法研究所(Mila));McGill University(麦吉尔大学);Washington University in St. Louis(圣路易斯华盛顿大学);Nanyang Technological University(南洋理工大学)
在复杂的多目标优化问题中,目标空间的不可行部分给进化算法带来了麻烦。本文提出了一种基于参考向量的算法,该算法使用两个相互作用的引擎来适应参考向量,并向真正的Pareto Front(PF)s.t.进化的人口。参考向量总是均匀地分布在当前PF内,以提供用于选择的适当指导。当前PF通过维护非支配个体的档案来跟踪,并且参考向量的自适应在另一个档案的帮助下进行,该档案包含对应于不同密度的参考向量层。实验结果表明,所提出的算法TEEA的预期特性和竞争力的表现。
2019-04-12 cs.AI cs.NE
A New Many-Objective Evolutionary Algorithm Based on Determinantal Point Processes
为了处理不同类型的多目标优化问题(MaOP),多目标进化算法(MaOEAs)需要在高维目标空间中同时保持收敛性和种群多样性。为了平衡多样性和收敛性之间的关系,我们引入了一个核矩阵和概率模型称为决定点过程(DPP)。提出了一种基于确定性点过程的多目标进化算法(MaOEADPPs),并与现有的几种基于不同类型MaOPs的进化算法\textcolor{blue}{with different numbers of objectives}进行了比较。实验结果表明,MaOEADPPs具有较强的竞争力。
2020-12-15 cs.NE
A Pairwise Comparison Relation-assisted Multi-objective Evolutionary Neural Architecture Search Method with Multi-population Mechanism
School of Software, Nanjing University of Information Science and Technology(南京信息工程大学软件学院);Department of Electrical and Computer Engineering, New Jersey Institute of Technology(新泽西理工学院电子与计算机工程系);RIKEN Center for Computational Science (R-CCS)(日本计算科学中心(R-CCS));Department of Computing Sciences, Tampere University(塔尔基大学计算机科学系)
SMEMNAS通过多群体机制和成对比较关系,提升神经网络架构搜索效率,实现多目标优化。
2026-01-02 cs.AI cs.NE
A Cuckoo Quantum Evolutionary Algorithm for the Graph Coloring Problem
基于量子进化算法框架,提出了一种求解图着色问题的布谷鸟量子进化算法。为了减少色数搜索的迭代次数,初始量子种群由遗传辅助的随机初始化产生。此外,通过引入布谷鸟搜索策略,改进了算法的全局搜索能力,并引入了局部搜索和扰动策略,以提高算法在控制点上的性能。数值结果表明,CQEA具有很强的探索和开发能力,与现有的启发式算法相比具有很强的竞争力。
2021-08-19 cs.NE
Comparison of Selection Methods in On-line Distributed Evolutionary Robotics
Université de Lorraine(洛林大学);INRIA Nancy Grand-Est(法国国家数字科学与技术研究所南锡大东部大区中心)
在本文中,我们研究的背景下,在线上板分布式进化算法的选择方法的影响。我们提出了一个变种的mEDEA算法中,我们添加了一个选择运算符,我们将其应用在任务驱动的情况下。我们评估了四种选择方法,诱导不同强度的选择压力在多机器人导航避障任务和集体觅食任务。实验表明,一个小强度的选择压力是足够的,以迅速获得良好的性能在手头的任务。我们引入不同的措施来比较选择方法,并表明,选择压力越高,获得的性能越好,特别是对于更具挑战性的食物觅食任务。
2015-01-07 cs.AI cs.MA cs.NE
Evolutionary Biparty Multiobjective UAV Path Planning: Problems and Empirical Comparisons
Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies, School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen(广东省新型安全智能技术重点实验室,哈尔滨工业大学计算机科学与技术学院,深圳);Peng Cheng Laboratory(鹏城实验室);School of Artificial Intelligence/School of Future Technology, Nanjing University of Information Science and Technology(人工智能学院/未来技术学院,南京信息科学技术大学)
本文首次提出双目标多目标无人机路径规划问题,改进并比较了多种多目标优化算法在效率与安全目标下的性能。
2026-03-23 cs.AI cs.NE
On Comparison between Evolutionary Programming Network-based Learning and Novel Evolution Strategy Algorithm-based Learning
Khulna University of Engineering and Technology(库尔纳工程技术大学)
本文提出了两种不同的进化系统-进化规划网络(EPNet)和新的进化策略(NES)算法。EPNet同时进行训练和架构演进,而NES是一个固定的网络,只训练网络。EPNet中提出了五种变异算子,以反映对进化ANN行为的重视。父母和他们的后代之间的紧密行为联系通过各种突变来保持,例如部分训练和节点分裂。另一方面,NES采用了两种新的遗传算子-基于子种群的最大均值算术交叉和时变变异。上述两种算法已经在一些基准问题上进行了测试,例如医学诊断问题(乳腺癌,糖尿病和心脏病)。文中给出了计算结果和它们之间的比较。
2013-05-04 cs.LG cs.NE
EmoDM: A Diffusion Model for Evolutionary Multi-objective Optimization
Guangdong University of Foreign Studies(广东外语外贸大学);Westlake University(西湖大学)
针对进化算法求解高成本多目标优化问题时函数评估次数多的痛点,提出基于扩散模型的EmoDM,结合互熵注意力机制提升可扩展性,可高效生成非支配解且泛化性好。
2024-08-15 cs.AI cs.NE
Binary and Multinomial Classification through Evolutionary Symbolic Regression
Ben-Gurion University(本-古里安大学)
我们提出了三种基于进化符号回归的二进制和多项式数据集分类算法:GPLearnClf,CartesianClf和ClaSyCo。测试了超过162个数据集,并与三种最先进的机器学习算法- XGBoost,LightGBM和深度神经网络-进行了比较,我们发现我们的算法具有竞争力。此外,我们演示了如何通过使用最先进的超参数优化器自动为数据集找到最佳方法。
2022-06-25 cs.LG cs.NE
A novel evolutionary formulation of the maximum independent set problem
我们介绍了一种新的进化制定的问题,找到一个最大的独立集的图。新的提法是基于图的独立数和它的非循环方向之间存在的关系。它将这些方向视为个体,并借助非常依赖于图的结构及其非循环方向的进化算子来进化它们。由此产生的启发式已经过测试的一些第二DIMACS实施挑战基准图,并已被发现是有竞争力的相比,其他几个也已经在这些图上测试的算法。
2003-09-22 cs.NE
Mergenetic: a Simple Evolutionary Model Merging Library
First Author Affiliation(第一作者机构)
本文提出开源库 Mergenetic,将模型合并与进化算法灵活结合,并引入轻量级适应度估计器降低评估成本,在适度硬件上跨任务和语言取得有竞争力的结果。
2025-05-16 cs.AI cs.LG cs.NE
A Distribution Evolutionary Algorithm for the Graph Coloring Problem
针对图着色这一组合优化难题,提出基于概率模型种群的分布进化算法DEA-PPM,通过分布与解种群协同进化平衡探索与利用,小种群下性能媲美现有顶尖元启发式算法。
2023-05-02 cs.NE
An Efficient Dynamic Resource Allocation Framework for Evolutionary Bilevel Optimization
本文提出DRC-BLEA,一种用于进化双层优化的动态资源分配框架,通过竞争性准并行范式与协作机制减少冗余下层迭代,在保持精度的同时显著降低计算开销。
2024-11-06 cs.NE math.OC
An Evolutionary Multitasking Algorithm with Multiple Filtering for High-Dimensional Feature Selection
最近,进化多任务(EMT)已成功地用于高维分类领域。然而,现有的基于EMT的特征选择(FS)方法中多任务的生成相对简单,仅使用Relief-F方法将重要性相近的相关特征收集到一个任务中,无法为知识转移提供更多样化的任务。为此,本文设计了一种新的高维分类问题的EMT算法,该算法首先采用不同的过滤方法产生多个任务,然后通过知识转移改进竞争性群优化算法来有效地解决这些相关任务。首先,基于多种过滤方法设计了一种多样化的多任务生成方法,通过消除不相关的特征,生成多个相关的低维FS任务。通过这种方式,可以转移用于解决简单和相关任务的有用知识,以简化和加速原始高维FS任务的解决方案。然后,一个竞争性的群优化算法进行修改,同时解决这些相关的FS任务,通过它们之间传递有用的知识。大量的实验结果表明,所提出的基于EMT的FS方法可以获得一个更好的特征子集比几个国家的最先进的FS方法在18个高维数据集。
2022-12-17 cs.NE
An Evolutionary Framework for Connect-4 as Test-Bed for Comparison of Advanced Minimax, Q-Learning and MCTS
School of Computer Science, College of Engineering and Physical Sciences, University of Birmingham(伯明翰大学工程与物理科学学院计算机科学学院)
针对大规模状态空间决策难题,本文以Connect-4为测试平台,提出进化锦标赛框架,系统比较高级Minimax、Q-Learning和MCTS,发现MCTS胜率最高,Q-Learning决策最快。
2024-05-26 cs.AI cs.GT cs.NE
Regularized Evolutionary Algorithm for Dynamic Neural Topology Search
University of Trento(特伦托大学);Fondazione Bruno Kessler (FBK)(布鲁诺·凯斯勒基金会)
设计用于对象识别的神经网络需要大量的架构工程。作为一种补救措施,神经进化网络结构搜索,它使用进化算法自动搜索最佳网络结构,最近变得非常流行。虽然非常有效,但进化算法严重依赖于具有大量个体(即,网络体系结构)并且因此存储器昂贵。在这项工作中,我们提出了一个具有低内存占用的正则化进化算法来进化动态图像分类器。在细节上,我们引入了新的自定义算子,规范了10个个体的微种群的进化过程。我们在三个不同的数字数据集(MNIST,USPS,SVHN)上进行了实验,结果表明,我们的进化方法获得了与当前最先进的竞争结果。
2019-08-19 cs.CV cs.NE
Optimistic variants of single-objective bilevel optimization for evolutionary algorithms
针对强NP-Hard的单目标双层优化问题,提出一种结合局部启发式搜索的部分嵌套进化方法及极端乐观收敛变体,在基准测试中表现优异且优于悲观方法。
2020-08-22 cs.AI cs.NE
A Comparison of Meta-heuristic Search for Interactive Software Design
University of the West of England(西英格兰大学)
处理能力的进步,再加上人们希望解决人类主观判断在确定所提出的解决方案的价值方面发挥重要作用的问题,导致交互式人工智能的应用数量急剧增加。特别值得注意的是Meta启发式搜索引擎与用户提供的解决方案的评估和评级的耦合,通常以交互式进化算法(IEAs)的形式。这些都有一个有据可查的成功历史,但可以说,IEA的优势源于这一历史,而不是作为一个有意识的设计选择的元启发式的基础上,手头的问题的特点。本文将以交互式软件设计领域为例,研究这一假设的基础。我们考虑了一系列应该影响设计选择的因素,包括易用性,可扩展性,当然还有性能,即在人类失去焦点之前,在交互式工作中可用的有限数量的评估内生成良好解决方案的能力。然后,我们评估三种方法,即贪婪局部搜索,进化算法和蚁群优化,候选解决方案的各种表示。结果表明,适当的参数调整后,蚁群优化是非常有效的交互式搜索和进化算法的性能相对于软件设计问题中的属性和方法的数量增加。然而,当大量的类存在于软件设计中,进化算法使用一个天真的分组整数为基础的表示似乎更具可扩展性。
2012-11-14 cs.AI cs.NE
Evolving Strategies for Competitive Multi-Agent Search
University of Texas at Austin(德克萨斯大学奥斯汀分校);Stanford University(斯坦福大学)
本文将人类创造性问题求解形式化为竞争性多智能体搜索(CMAS),利用进化计算在NK模型上演化出比手工及传统树搜索策略更有效的专用与通用策略,并借助球面可视化揭示成功机制,为研究人类创新活动提供新框架。
2023-07-01 cs.AI cs.LG cs.MA
Comparison of Single- and Multi- Objective Optimization Quality for Evolutionary Equation Discovery
ITMO University(圣彼得堡国立信息技术机械与光学大学)
本文比较了演化微分方程发现中的单目标与多目标优化,后者额外考虑方程复杂性,并在Burgers、波动和KdV方程等经典模型上验证了其效果。
2023-06-29 cs.LG cs.NE
EvoAAA: An evolutionary methodology for automated \neural autoencoder architecture search
Universidad de Jaén(哈恩大学)
当向机器学习模型提供策划的功能时,它们会更好地工作。特征工程方法通常被用作预处理步骤,以获得或构建合适的特征集。近年来,自编码器(一种特定类型的对称神经网络)已被广泛用于执行表示学习,证明了其与经典特征工程算法的竞争力。使用自动编码器的主要障碍是找到一个好的架构,这是大多数专家手动面对的过程。本文提出了一种基于进化方法的自动编码器结构搜索方法。该方法针对九个异构数据集进行了测试。所得到的结果表明,这种方法能够找到更好的架构,能够集中在一个最小化的编码,在减少的时间大部分有用的信息。
2023-01-15 cs.AI cs.LG cs.NE
Transfer Learning Based Co-surrogate Assisted Evolutionary Bi-objective Optimization for Objectives with Non-uniform Evaluation Times
大多数现有的多目标进化算法(MOEAs)隐含地假设每个目标函数可以在同一时间内进行评估。一般来说。这在许多现实世界的优化方案中是站不住脚的,其中不同目标的评估涉及具有不同时间复杂度的不同计算机模拟或物理实验。针对这一问题,提出了一种基于代理辅助进化算法(SAEAs)的迁移学习方案.该方案采用协同代理来模拟快、慢目标函数之间的函数关系,并引入可迁移实例选择方法从快目标的搜索过程中获取有用的知识.我们的DTLZ和UF测试套件的实验结果表明,该算法是有竞争力的解决双目标优化的目标有不均匀的评价时间。
2021-08-30 cs.NE
BenchENAS: A Benchmarking Platform for Evolutionary Neural Architecture Search
自动设计深度神经网络架构的神经架构搜索(NAS)在过去几年中在许多应用中取得了突破性的成功。在各种NAS方法中,基于演化计算的NAS(ENAS)方法近年来受到了广泛的关注。不幸的是,公平比较和有效评价的问题阻碍了ENAS的发展。目前的基准架构数据集设计用于公平的比较只提供数据集,而不是ENAS算法或运行算法的平台。现有的有效评价方法要么不适用于基于人口的ENAS算法,要么过于复杂,难以使用。本文开发了一个名为BenchENAS的平台来解决这些问题。BenchENAS旨在通过在相同的环境和相同的设置下运行不同的算法来实现公平的比较。为了在通用的实验室环境下实现高效的评估,BenchENAS设计了一个可维护性高的并行组件和缓存组件。此外,BenchENAS易于安装,高度可配置和模块化,这带来了良好的可用性和易于扩展的好处。在该平台上对8种GPU利用率高的ENAS算法进行了高效的对比实验。实验证明公平比较问题确实存在,而BenchENAS可以缓解这一问题。已经建立了一个网站来推广BenchENAS,网址是https://benchenas.com,感兴趣的研究人员可以免费获得BenchENAS的源代码和文档。
2021-08-14 cs.NE
Evolving Benchmark Functions to Compare Evolutionary Algorithms via Genetic Programming
Zhejiang University of Finance & Economics(浙江财经大学);University of Tsukuba(筑波大学)
本研究提出使用遗传规划构建优化基准函数,以Wasserstein距离为适应度度量并结合MAP-Elites算法,证明其生成的基准函数比人工设计的更能有效区分进化算法,实现了基准函数设计与算法比较的自动化。
2024-03-21 cs.AI cs.NE
Optimizing the Parameters of A Physical Exercise Dose-Response Model: An Algorithmic Comparison
本研究的目的是比较的鲁棒性和性能的局部和全局优化算法时,给定的任务,一个共同的非线性剂量-反应模型的参数在运动生理学领域的拟合。传统上,剂量-反应模型的参数已经使用非线性最小二乘程序结合局部优化算法来拟合。然而,这些算法在收敛于全局最优解的能力上表现出局限性。本研究的目的是使用一种基于演化计算的算法作为替代方法来拟合非线性剂量反应模型。我们的比较超过1000个实验运行的结果表明,优越的性能的演化计算为基础的算法,始终实现更强的模型拟合和保持性能相比,本地搜索算法。这一初步研究表明,全球演化计算为基础的优化算法可能会提出一个快速和强大的替代局部算法时,拟合非线性剂量反应模型的参数。
2020-12-16 cs.NE
Evaluation and Efficiency Comparison of Evolutionary Algorithms for Service Placement Optimization in Fog Architectures
本研究针对雾服务布局问题,对比WSGA、NSGA-II、MOEA/D三种进化算法,通过不同规模实验验证了NSGA-II的优化与解多样性优势、MOEA/D的时间效率优势。
2025-01-17 cs.DC cs.NE
Language Model Evolutionary Algorithms for Recommender Systems: Benchmarks and Algorithm Comparisons
Nanyang Technological University(南洋理工大学);Singapore University of Technology and Design(新加坡科技设计大学);Centre for Frontier AI Research, A*STAR(前沿人工智能研究中心,A*STAR);Institute of High Performance Computing, A*STAR(高性能计算研究所,A*STAR)
本文提出面向基于LLM的推荐系统的基准集RSBench,用于评估进化算法在推荐提示优化中的表现,并通过三种基于LLM的进化算法实验验证其有效性。
2025-09-24 cs.NE
A New Scope and Domain Measure Comparison Method for Global Convergence Analysis in Evolutionary Computation
本文提出范围与域测度比较(SDMC)方法,绕过马尔可夫链建模,通过比较搜索范围测度分析进化计算算法的全局收敛性,并证明其必要性与充分性,为算法设计提供理论指导。
2025-05-07 cs.NE
An Improved Two-Archive Evolutionary Algorithm for Constrained Multi-Objective Optimization
约束多目标优化问题(CMOPs)在现实世界的工程优化场景中普遍存在。约束多目标优化的一个关键问题是如何在收敛性、多样性和可行性之间取得平衡。近年来提出的求解约束多目标优化问题的双存档进化算法(C-TAEA)是一种新的算法。然而,由于它的两个共同进化的档案之间的合作机制的简单实现,C-TAEA是挣扎时,解决问题的\textit{pseudo}帕累托最优的前沿,它不考虑约束,占主导地位的\textit{feasible}帕累托最优的前沿。在本文中,我们提出了一个改进的版本C-TAEA,被称为C-TAEA-II,具有改进的更新机制的两个共同进化的档案和自适应交配选择机制,以促进更好的合作,共同进化的档案。实验结果表明,所提出的C-TAEA-II的竞争力相比,五个有代表性的约束进化多目标优化算法。
2021-03-10 cs.NE
Routing-Led Evolutionary Algorithm for Large-Scale Multi-Objective VNF Placement Problems
University of Electronic Science and Technology of China(电子科技大学);G-Research;Department of Computer Science, University of Exeter(埃克塞特大学计算机系)
本文提出了一种基于路由的进化算法,用于解决大规模多目标虚拟网络功能部署问题,通过改进的元启发式方法和高效数据结构,实现了对大规模数据中心的高效资源优化。
2025-12-17 cs.NE
Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization
针对约束多目标优化中进化算法收敛慢的问题,提出通过定制提示工程微调LLM并将其作为搜索算子生成优质解,实验表明可显著提升收敛速度且性能优于前沿进化算法。
2024-05-09 cs.NE
Two novel evolutionary formulations of the graph coloring problem
我们介绍了两个新的进化公式的问题着色的节点图。第一个公式是基于一个图的色数和它的非循环方向之间存在的关系。它将这些方向视为个体,并借助非常依赖于图的结构及其非循环方向的进化算子来进化它们。第二个公式,不像第一个,不处理一个图在同一时间,而是旨在发展一个“程序”,以颜色的所有图形属于一类的成员都有相同数量的节点和其他共同的属性。从这些公式产生的竞争力已经在一些第二次DIMACS实施挑战基准图上进行了测试,并且与也在这些图上进行测试的其他几种竞争力相比,已经发现具有竞争力。
2003-09-23 cs.NE
A Comparative Visual Analytics Framework for Evaluating Evolutionary Processes in Multi-objective Optimization
Southern University of Science and Technology(南方科技大学)
本文提出一个可视分析框架,通过交互式可视化支持对多个进化多目标优化算法的中间进化过程和解集进行比较分析,并通过基准与真实案例验证其有效性。
2023-08-10 cs.AI cs.HC cs.NE
Evolutionary Dynamic Multi-objective Optimization Via Regression Transfer Learning
动态多目标优化问题(DMOP)由于目标函数随时间变化而相互冲突,一直是一个有待解决的难题。近年来,迁移学习被证明是解决DMOP问题的一种有效方法。本文提出了一种新的基于迁移学习的动态多目标优化算法--基于回归迁移学习预测的动态多目标优化算法(RTLP-DMOA)。该算法的目标是产生一个优秀的初始种群,以加速进化过程,提高求解DMOP的进化性能。当检测到环境变化时,通过重用历史种群构建回归迁移学习预测模型,可以预测目标值。然后,在该预测模型的辅助下,选取一些具有较好预测目标值的高质量解作为初始种群,从而提高进化过程的性能。我们比较所提出的算法与三个国家的最先进的算法的基准函数。实验结果表明,该算法能显著提高静态多目标优化算法的性能,在收敛性和多样性方面具有较强的竞争力。
2019-10-22 cs.NE
Estimation of total body fat using symbolic regression and evolutionary algorithms
本研究评估三种进化计算技术以推导可解释且准确的体脂百分比估算数学表达式,在公开数据集上验证其在性能与可解释性上具竞争力,适用于临床健康应用。
2025-03-01 cs.NE
Sampled Training and Node Inheritance for Fast Evolutionary Neural Architecture Search
深度神经网络的性能在很大程度上取决于其架构,并且已经开发了各种神经架构搜索策略用于自动化网络架构设计。近年来,进化神经结构搜索(ENAS)由于其良好的全局寻优能力而受到越来越多的关注。然而,ENAS具有极高的计算成本,因为在进化优化中通常需要大量的性能评估,并且训练深度神经网络本身在计算上是非常密集的。针对这一问题,提出了一种新的基于有向无环图的快速ENAS进化框架,在该框架中,父代被随机抽取,并在每一小批训练数据上进行训练.此外,采用节点继承策略生成后代个体,无需训练直接评估其适应度。为了增强进化神经网络的特征处理能力,我们还在搜索空间中编码了通道注意力机制。我们评估了广泛使用的数据集上的算法,与26个国家的最先进的同行算法相比。实验结果表明,该算法不仅计算效率更高,而且在学习性能上具有很强的竞争力。
2020-03-07 cs.NE
An Ensemble of Evolutionary Algorithms With Both Crisscross Search and Sparrow Search for Processing Inferior Individuals
China University of Geosciences, Wuhan(中国地质大学(武汉));Jilin University(吉林大学)
本文提出了一种结合交叉搜索和麻雀搜索的进化算法集合EA4eigCS,用于提升处理劣质个体的性能,实验表明其在长期搜索任务中表现优异。
2026-01-15 cs.NE
Two-Archive Evolutionary Algorithm for Constrained Multi-Objective Optimization
在求解约束多目标优化问题时,一个重要的问题是如何同时兼顾收敛性、多样性和可行性。为了解决这个问题,本文提出了一种无参数约束处理技术,双存档进化算法,约束多目标优化。它同时维持两个共同进化的种群:一个是收敛档案,是将种群推向Pareto前沿的驱动力;另一个是多样性档案,主要是维持种群的多样性。特别是,为了补充收敛档案的行为并提供尽可能多的多样化信息,多样性档案旨在探索收敛档案未充分利用的领域,包括不可行的区域。为了利用这两个档案的互补效应,我们开发了一个限制性交配选择机制,自适应地选择合适的交配父母从他们根据自己的进化状态。一系列基准问题的综合实验和一个真实世界的案例研究充分证明了我们提出的算法的竞争力,比较五个国家的最先进的约束进化多目标优化。
2017-11-21 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
An Evolutionary Algorithm of Linear complexity: Application to Training of Deep Neural Networks
深度神经网络的性能,例如由受限玻尔兹曼机(RBM)形成的深度信念网络,强烈依赖于它们的训练,这是调整它们的参数的过程。这个过程可以被看作是一个n维的优化问题。然而,典型的网络包含数万个参数,使其成为高维问题(HDP)。虽然不同的优化方法已被用于这一目标,使用大多数的进化算法(EA)变得令人望而却步,由于他们无法处理HDPs。例如,协方差矩阵自适应进化策略(CMA-ES),这被认为是最有效的进化算法之一,表现出巨大的缺点,需要$O(n^2)$的内存和操作,使它不实用的问题超过几百个变量。在本文中,我们介绍了一种新的EA,需要$O(n)$的操作和内存,但提供竞争力的解决方案,超过一百万个变量的RBM的训练阶段相比,对CMA-ES和对比发散算法,这是标准的方法来训练RBM。
2019-07-12 cs.NE
Computing trading strategies based on financial sentiment data using evolutionary optimization
在本文中,我们应用进化优化技术来计算最优的基于规则的交易策略的基础上,金融情绪数据。情绪数据是从社交媒体服务StockTwits中提取的,以适应在线交易社区对某些股票的看涨或看跌程度。所有股票从道琼斯工业平均指数(DJIA)指数的数值结果和经典的风险回报投资组合选择的比较。
2015-04-12 cs.NE q-fin.PM
NodIO, a JavaScript framework for volunteer-based evolutionary algorithms : first results
JavaScript是一种解释语言,主要以其包含在Web浏览器中而闻名,使其成为基于富Internet的应用程序的容器。这激发了它的使用,很长一段时间,作为进化算法的工具,主要是在基于浏览器的志愿者计算环境中。迄今为止,还出版了几个图书馆,并已投入使用。然而,在过去的几年里,人们对该语言的兴趣又重新抬头,成为最受欢迎的语言之一,从而促进了其实现的改进,这些实现现在是许多新的客户端-服务器应用程序的基础。我们提出了这样一个应用程序运行分布式志愿者为基础的进化算法实验,我们做了一系列的测量,以建立进化算法的速度JavaScript,可以作为基线与其他分布式计算实验进行比较。这些实验使用了不同的整数和浮点问题,并证明了JavaScript的速度实际上与进化算法从业者常用的其他语言具有竞争力。
2016-01-07 cs.DC cs.NE
Efficacy of Modern Neuro-Evolutionary Strategies for Continuous Control Optimization
National Research Council(国家研究委员会)
我们分析了现代神经进化策略对连续控制优化的有效性。总体而言,收集到的各种各样的定性不同的基准问题的结果表明,这些方法通常是有效的和规模以及参数的数量和问题的复杂性。此外,它们在超参数的设置方面相对稳健。最有前途的方法的比较表明,OpenAI-ES算法优于或等于所有考虑的问题上的其他算法。此外,我们还演示了如何优化强化学习方法的奖励函数不一定对进化策略有效,反之亦然。这一发现可能导致重新考虑两类算法的相对功效,因为它意味着迄今为止进行的比较偏向于一类或另一类。
2020-06-01 cs.LG cs.NE cs.RO
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
A Many-Objective Evolutionary Algorithm with Angle-Based Selection and Shift-Based Density Estimation
进化多目标优化问题越来越受到演化计算研究界的关注。许多努力一直致力于解决这个问题,提高多目标进化算法的可扩展性,如帕累托为基础的,分解为基础的,基于指标的方法。与目前的工作不同,我们提出了一种新的算法,在本文中被称为AnD,它包括一个基于角度的选择策略和基于移位的密度估计策略。在环境选择中,采用这两种策略,逐一剔除不良个体。具体地说,前者的目的是找到一对具有最小向量角的个体,这意味着这两个个体共享最相似的搜索方向。后者兼顾了个体的多样性和收敛性,对两个个体进行了比较,剔除了差的个体。它结构简单,参数少,没有复杂的运算符.的性能相比,与七个国家的最先进的多目标进化算法的各种基准测试问题,多达15个目标。实验结果表明,AnD可以达到很高的竞争力的性能。此外,我们还验证了AnD可以很容易地扩展到解决约束多目标优化问题。
2017-09-30 cs.NE
Long-Term Progress and Behavior Complexification in Competitive Co-Evolution
使用竞争性进化算法来产生长期进展的可能性通常被极限环动态的收敛所阻止,在极限环动态中,进化的代理通过周期性地重新发现以前一遍又一遍地采用的解决方案来保持对当前竞争对手的进步。这导致了局部而不是全局的进步,即与所有可能的竞争者竞争的进步。我们提出了一种新的竞争算法,通过识别和过滤机会主义的变化,即导致对当前竞争对手的进步和对其他竞争对手的倒退的变化,产生长期的全球进步。该方法的有效性进行了验证的捕食者和猎物机器人的协同进化,一个经典的问题,已被用于其他相关的研究。经过许多代人的积累,全球进步带来了有效的解决方案,涉及到相当明确的行为的产生。进化中的机器人所表现出的行为的复杂性随着世代的增加而增加,尽管性能的进步并不总是伴随着行为的复杂化。
2020-05-23 cs.NE
An Efficient Application of Neuroevolution for Competitive Multiagent Learning
Vellore Institute of Technology(韦洛尔理工学院)
多智能体系统为使用强化学习算法评估和分析现实世界的问题提供了一个理想的环境。大多数传统的多智能体学习方法都受到长训练周期和高计算复杂性的影响。NEAT(NeuroEvolution of Augmenting Topologies)是一种流行的进化策略,用于获得最佳性能的神经网络架构,通常用于解决人工智能领域的优化问题。本文利用NEAT算法实现竞争性多智能体学习的修改乒乓游戏环境中的有效方式。竞争主体遵守不同的规则,但具有相似的观测空间参数。该算法利用环境的这一属性来定义一个奇异的神经进化过程,获得所有代理的最优策略。编译的结果表明,所提出的实现在一个非常短的训练期内达到理想的行为相比,现有的多智能体强化学习模型。
2021-05-23 cs.AI cs.MA cs.NE
An Evolutionary Algorithm for Task Scheduling in Crowdsourced Software Development
Stevens Institute of Technology(史蒂文斯理工学院);New York University(纽约大学);University of Calgary(卡尔加里大学)
软件任务的复杂性和众包开发者行为的不确定性使得规划众包软件开发(CSD)项目具有挑战性。在竞争激烈的众包市场中,多个同时开放的任务对共享工作人员资源的竞争为软件众包的潜在结果增加了另一层不确定性。这些因素导致需要支持CSD管理人员进行自动调度,以提高众包流程和成果的可见性和可预测性。为此,本文提出了一种基于进化算法的众包软件开发任务调度方法。提出的进化调度方法使用多目标遗传算法推荐一个最佳的任务开始日期。该方法使用三个适应度函数,分别基于项目持续时间,任务相似性和任务失败预测。任务失败适应度函数使用神经网络来预测关于特定任务开始日期的任务失败的概率。该方法建议的最佳任务开始日期为项目作为一个整体和每个单独的任务,以实现最低的项目失败率。4个项目的实验结果表明,所提出的方法有可能减少项目工期的一个因素的33- 78%。
2021-07-05 cs.AI cs.NE cs.SE
AREA: Adaptive Reference-set Based Evolutionary Algorithm for Multiobjective Optimisation
基于种群的进化算法在处理多目标优化问题上有很大的潜力。然而,这些算法在很大程度上取决于问题的特点,并有必要提高其性能更广泛的问题。参考文献是提高算法性能的一种非常有效的方法,但在文献中还没有得到充分的研究。本文提出了一种新的框架,有效地利用参考,以加强算法。该框架将参考文献视为搜索目标,可以根据搜索过程中收集的信息进行调整。所提出的框架与新的策略相结合,如参考自适应和自适应局部交配,以解决不同类型的问题。所提出的算法进行了比较,与国家的艺术在广泛的问题,具有不同的特点。比较和广泛的灵敏度分析表明,该算法是有竞争力的,在本文研究的不同类型的问题的鲁棒性。
2019-10-15 cs.NE