A Coevolutionary Variable Neighborhood Search Algorithm for Discrete Multitasking (CoVNS): Application to Community Detection over Graphs
TECNALIA（特克纳利亚研究院）；University of the Basque Country (UPV/EHU)（巴斯克地区大学）
多任务优化范例的主要目标是通过单个搜索过程以同时的方式解决多个并发的优化任务。为了取得有希望的成果，适当利用了各项任务之间的潜在互补性和协同作用，通过交换遗传物质相互帮助。本文的重点是进化多任务，这是一个角度处理多任务优化方案，拥抱概念，从演化计算。这项工作有助于这一领域提出了一种新的多任务的方法命名为协同进化的可变邻域搜索算法，它发现它的灵感都可变邻域搜索元启发式和协同进化策略。本文的第二个贡献是应用领域，这是最优划分的图实例之间的连接是有向和加权。本文对这类任务的同时求解进行了研究。两种不同的多任务的情况下，考虑每个包括11个图形实例。通过我们的方法得到的结果进行比较，由一个并行的可变邻域搜索和独立执行的基本可变邻域搜索。这些结果的讨论支持我们的假设，该方法是一个有前途的计划，同时解决社区发现问题的图。
2020-09-30 cs.AI cs.NE
Evolutionary Reinforcement Learning via Cooperative Coevolutionary Negatively Correlated Search
Southern University of Science and Technology（南方科技大学）
本文提出NCS友好的协同协同进化框架，以扩展负相关搜索并保留其并行探索行为，在10个Atari游戏上以少50%计算时间显著优于三种最先进深度强化学习方法。
2020-09-08 cs.LG cs.NE
Cooperative Coevolution versus Monolithic Evolutionary Search for Semi-Supervised Tabular Classification
ITIS, Universidad de Málaga（马德里大学信息技术研究所）
本文研究了在极低标签情况下使用轻量基础学习器进行半监督表格分类，提出协同共进化方法（CC-SSL）并对比了单一整体进化基线（EA-SSL）和三个轻量SSL基线。实验显示CC-SSL和EA-SSL在测试MacroF1和准确率上优于轻量基线，但两者在最终测试性能上多为统计平局。
2026-04-01 cs.LG cs.NE
Weights Adaptation Optimization of Heterogeneous Epidemic Spreading Networks: A Constrained Cooperative Coevolution Strategy
本文研究异构流行病传播网络权重自适应的动态约束优化问题，针对问题维度随网络规模指数增长导致现有进化算法性能不佳的难点，提出采用新型约束协同共进化（$C^3$）策略将大规模问题分解为子组件，以实现约束与目标函数间的权衡。
2020-01-29 cs.NE cs.SY eess.SY
New Pathways in Coevolutionary Computation
本文提出OMNIREP与SAFE两种新型协同进化算法，分别通过协作机制发现问题表示和编码，并通过偏利共生机制共同进化候选解与目标函数。
2024-01-19 cs.NE
Cooperative coevolutionary hybrid NSGA-II with Linkage Measurement Minimization for Large-scale Multi-objective optimization
针对大规模多目标优化问题，提出了一种基于协同进化的变量分组方法--最小化连接度量方法。在子问题优化阶段，提出了一种基于估计收敛点的高斯采样算子的混合NSGA-II。在变量分组阶段，根据前人的研究成果，将变量分组问题转化为组合优化问题，设计了基于实码非线性校验（LINC-R）的链接识别的链接度量函数。我们将这种变量分组方法扩展到LSMOPs。在子问题优化阶段，我们假设在Pareto Front（PF）周围存在更好解决方案的概率更高。基于这一假设，我们估计在每一代优化的收敛点，并执行高斯采样收敛点周围。目标值好的样本作为精英参与优化。数值实验表明，本文的变量分组方法优于一些流行的变量分组方法，混合NSGA-II在多目标优化问题中具有广阔的应用前景。
2022-08-29 cs.NE
Coevolutionary intransitivity in games: A landscape analysis
不传递性被认为是共同进化过程和遗传优势不足的主要原因。此外，协同进化动力学的特点是产生主观适应性的相互作用，但针对的解决方案是优于一个客观的测量。这种目标适应度的近似可以是例如泛化性能。在本文中，评级和排名为基础的措施的不传递性和健身景观，可以解决主观和客观健身之间的二分法之间的联系进行了探讨。数值实验表明，该方法涉及一个简单的随机游戏，连续可调程度的随机性。
2015-01-16 cs.NE q-bio.PE
Using coevolution and substitution of the fittest for health and well-being recommender systems
University of Bristol（布里斯托大学）
本文提出适者替代（SF）技术以缓解协同进化遗传算法中的参与度下降问题，并将其扩展应用于健康与福祉推荐系统，实验表明 SF 能提升参与度、推荐质量和多样性。
2022-12-06 cs.AI cs.NE
Towards Distributed Coevolutionary GANs
生成对抗网络（GANs）已成为深度生成建模的主要方法之一。尽管GANs在多视觉任务上取得了成功，但它们很难训练，许多研究都致力于理解和改善它们基于梯度的学习动态。在这里，我们调查使用的协同进化，一类黑盒（梯度免费）协同优化技术和进化计算中的一个强大的工具，作为一个补充，基于梯度的GAN训练技术。对一个简单模型的实验，该模型表现出几种基于GAN梯度的动态（例如，模式坍塌，振荡行为，和消失梯度）表明，共同进化是一个有前途的框架，逃避退化GAN训练行为。
2018-08-31 cs.NE
Coevolutionary Pareto Diversity Optimization
近年来，计算给定优化问题的不同高质量解集已成为一个重要的课题。在本文中，我们介绍了一种协同进化的帕累托多样性优化方法，该方法建立在成功地将约束单目标优化问题转化为一个双目标问题的基础上，将约束转化为一个额外的目标。我们新的帕累托多样性优化方法使用这种双目标公式来优化问题，同时还保持了一个额外的高质量解决方案的人口，其多样性相对于给定的多样性措施进行了优化。我们表明，我们的标准的协同进化Pareto多样性优化方法优于最近推出的DIVEA算法，该算法通过广义多样化贪婪采样和提高解决方案集的多样性后获得其初始种群。此外，我们研究可能的改进的帕累托多样性优化方法。特别是，我们表明，使用种群间交叉进一步提高了一组解决方案的多样性。
2022-04-12 cs.NE
Coevolution of Neural Architectures and Features for Stock Market Forecasting: A Multi-objective Decision Perspective
本研究提出一种多目标协同进化方法，同时选择神经网络的特征与拓扑结构，生成一组非支配且泛化能力更强的股市预测模型，在 NASDAQ 指数 COVID 前后期的实验中优于传统顺序方法和标量化协同进化方法。
2023-11-23 cs.CE cs.NE
Multi-Objective Coevolution of Prompts and Templates for Circuit Approximation
Brno University of Technology, Faculty of Information Technology（布尔诺理工大学信息学院）
提出一种协同进化算法，利用现成大语言模型自动设计优化的8位近似乘法器，无需领域特定训练，通过同时进化候选电路和提示模板，实现了比EvoApproxLib库更优的误差-面积权衡。
2026-06-12 cs.NE
Multi-population GAN Training: Analyzing Co-Evolutionary Algorithms
本文实证比较了多种协同进化GAN训练策略，发现完全代际替换(μ,λ)在样本质量和多样性上优于精英保留方法，为设计更有效的基于种群的生成模型提供了指导。
2025-07-17 cs.NE
Codynamic Fitness Landscapes of Coevolutionary Minimal Substrates
共同进化最小基质是简单而抽象的模型，可以研究客观和主观适应度之间的关系和共动力学。使用这些模型的方法来定义和分析的适应度景观的共同进化问题。我们设计的相似性措施的共动力适应景观和实验研究最小基板的测试为基础的和组成的问题，合作和竞争的互动。
2014-04-23 cs.NE
Coevolutionary Framework for Generalized Multimodal Multi-objective Optimization
针对现有多模态多目标进化算法难寻局部帕累托最优解集、高维问题收敛性差的问题，提出含双档案库协同进化的CoMMEA框架，通过知识迁移兼顾收敛性与多样性，在54个复杂问题上性能优于7种主流算法。
2022-12-05 cs.NE
On Cooperative Coevolution and Global Crossover
本文提出将无子问题配对的协同协同进化算法视为全局交叉算子的广义版本，并通过NK模型和测试函数验证其优于传统CCEAs。
2024-01-15 cs.NE
Rolling Horizon Coevolutionary Planning for Two-Player Video Games
University of Essex（埃塞克斯大学）
本文介绍了一种新的算法，决策在两个玩家的实时视频游戏。与蒙特卡罗树搜索一样，该算法可以在没有统计学的情况下使用，并且已经被开发用于一般的视频游戏AI。该方法是最近的工作滚动地平线进化规划，这已被证明是工作良好的单人游戏，两个（或原则上许多）玩家的游戏。为了选择一个动作，该算法共同进化两个（或在一般情况下N个）种群，每个玩家一个，其中每个个体是相应玩家的动作序列。每个个体的适应度通过与来自对立群体的动作序列的选择进行比赛来评估。在游戏中选择一个行动时，第一个行动是从种群中最适合该玩家的成员中选择的。新算法进行了比较，一些一般的视频游戏AI算法的三个变化的两个玩家的空间战斗游戏，有希望的结果。
2016-07-06 cs.AI cs.NE
A comparison of evaluation methods in coevolution
Utrecht University（乌得勒支大学）
在这项研究中，我们比较了四种不同的评价方法在共同进化的多数函数问题。选择问题的大小，以便对所有可能的测试用例进行评估是可行的。比较中使用了两个指标，即，通过对所有测试用例的解进行评估而得到的客观适应度，以及客观适应度相关性（OFC），其被定义为主观适应度与客观适应度之间的相关系数。我们的实验结果表明，平均得分和加权信息量的组合可能会提供一个更准确的评价在共同进化。为了确认这种差异，对每对评价方法之间的偏好进行了一系列t检验。由此产生的意义是肯定的，两个质量指标的测试显示出类似的偏好四种评价方法。%这项研究是第一次OFC实际上是计算一个真正的问题。目前正在对较大规模的多数函数问题和奇偶性问题进行实验，其结果将添加到最终版本中。
2019-05-21 cs.LG cs.NE
Novelty Search in Competitive Coevolution
使用竞争性共同进化系统的主要动机之一是它们能够利用竞争物种之间的军备竞赛来进化出越来越复杂的解决方案。然而，这种军备竞赛可能难以持续，而且已经表明，相互竞争的物种往往过早地趋同于某些行为类别。在本文中，我们调查新颖性搜索，行为新颖性驱动的进化技术，可以克服收敛的共同进化。我们提出了三种方法应用新颖性搜索两个物种的共同进化系统：（一）得分两个人口根据行为的新颖性;（二）得分一个人口根据新颖性，和其他根据健身;和（iii）得分两个人口的新颖性和健身的组合。我们评估的方法在捕食者-猎物的追求任务。我们的研究结果表明，基于新颖性的方法可以发展出一个显着更多样化的解决方案，相比传统的健身为基础的协同进化。
2014-07-02 cs.MA cs.NE
Concentration Tail-Bound Analysis of Coevolutionary and Bandit Learning Algorithms
University of Birmingham（伯明翰大学）
该研究提出一种可适配多种漂移场景的新颖漂移定理，填补了弱/零/负漂移下指数尾界的空白，证明了两类智能算法性能的强集中性，同时发现了协同进化算法的纳什均衡遗忘弱点。
2024-05-11 cs.AI cs.NE
On Design Mining: Coevolution and Surrogate Models
University of the West of England（西英格兰大学）
设计挖掘是使用计算智能技术来迭代地搜索和建模通过快速原型直接评估的物理对象的属性空间，以满足给定的目标。它可以在没有正式模型或复杂模拟的情况下开发新材料和工艺。在本文中，我们专注于协同进化性质的设计过程中，它被分解成并发的子设计线程，由于任务的整体复杂性。使用一个抽象的，可调模型的协同进化，我们认为战略抽样子线程设计整个系统的测试，以及如何最好地构建和使用代理模型的协同进化的情况下。利用我们的研究结果，本文然后描述了六个异构垂直轴风力涡轮机阵列的有效设计。
2016-11-23 cs.AI cs.CE cs.LG
Toward the Coevolution of Novel Vertical-Axis Wind Turbines
University of the West of England（西英格兰大学）
生产可再生和可持续能源是人类目前面临的最重要挑战之一。风能对世界能源供应结构的贡献越来越大，但距离充分发挥其潜力还有很长的路要走。在本文中，我们研究了使用人工进化来设计垂直轴风力涡轮机原型，这些原型在风扇产生的风力条件下进行了物理实例化和评估。首先，传统的进化算法是用来探索一个单一的风力涡轮机的设计空间，后来的合作协同进化算法是用来探索一个阵列的风力涡轮机的设计空间。人工神经网络在整个过程中被用作代理模型来辅助学习，并被发现可以减少达到更高的空气动力学效率所需的制造数量。与其他方法不同，例如计算流体动力学模拟，不使用数学公式，也不进行模型假设。
2015-01-15 cs.AI cs.CE cs.NE
Coevolution of self-replication and function in a digital primordial soup
Google, Paradigms of Intelligence Team（谷歌，智能范式团队）；HPC Lab, InGeo Department, “G. D’Annunzio” University Chieti-Pescara（基耶蒂-佩斯卡拉“G. D’安农齐奥”大学InGeo部门高性能计算实验室）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）
研究数字原初汤中自我复制与功能的共同进化，通过初始化随机Z80汇编程序种群，引入基于任务的验证步骤，发现自我复制与数学问题解决可共同进化，计算压力等因素对其有影响，还产生了学习课程，证明了交互反馈循环。
2026-09-03 cs.NE
A coevolutionary approach to deep multi-agent reinforcement learning
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
传统上，深度人工神经网络（DNN）通过梯度下降来训练。最近的研究表明，深度神经进化（DNE）也能够进化出数百万个参数的DNN，这在强化学习（RL）领域特别有用。这主要是由于其出色的可扩展性和简单性相比，传统的基于MDP-RL方法。到目前为止，DNE仅应用于复杂的单智能体问题。由于进化方法是多智能体问题的自然选择，因此出现了DNE是否也可以应用于复杂的多智能体环境的问题。在本文中，我们描述并验证了一种新的方法，基于协同进化。为了验证我们的方法，我们在一系列多智能体Atari游戏上对两个深度协同进化算法进行了基准测试，并将我们的结果与Ape-X DQN的结果进行了比较。我们的研究结果表明，这些深度协同进化算法（1）可以成功地训练来玩各种游戏，（2）在其中一些游戏中优于Ape-X DQN，因此（3）表明协同进化可以成为解决复杂多智能体决策问题的可行方法。
2021-04-13 cs.LG cs.MA cs.NE
Evolution of Activation Functions for Deep Learning-Based Image Classification
激活函数在神经网络的性能中起着关键的作用。校正线性单元（ReLU）是目前最常用的AF。已经提出了几种ReLU的替代方案，但改进已被证明是不一致的。一些AF在特定任务中表现出更好的性能，但很难先验地知道如何选择合适的AF。研究标准的全连接神经网络（FCN）和卷积神经网络（CNN），我们提出了一种新的，三种群，协同进化算法来发展AF，并比较它与其他四种方法，进化和非进化。在四个数据集上进行测试- MNIST，FashionMNIST，KMNIST和USPS -共同进化被证明是寻找良好AF和AF架构的高性能算法。
2022-06-24 cs.NE
An electronic-game framework for evaluating coevolutionary algorithms
Center of Mathematics, Computer e Cognition (CMCC) Federal University of ABC (UFABC) Santo André, Brazil（数学、计算机与认知中心（CMCC）巴西联邦亚比安大学（UFABC）圣安德烈）
该研究提出受Mega Man II启发的电子游戏框架EvoMan，可配置多种进化实验模式，通过神经进化相关算法的竞争性协同进化实验验证其用于评估进化算法的能力。
2016-04-11 cs.AI cs.NE
Decoupling Constraints from Two Directions for Evolutionary Constrained Multi-objective Optimization
National University of Defense Technology（国防科技大学）
研究约束多目标优化问题，提出双向约束解耦协同进化算法DCF2D，该算法通过动态识别约束、激活辅助种群，在进化和反向进化方向搜索，实验证明其在多种算法中总体性能最佳。
2026-07-14 cs.NE
Competitive Coevolution as an Adversarial Approach to Dynamic Optimization
动态优化，目标函数随时间变化，吸引了大量的研究，由于与许多现实世界的问题固有的不确定性。进化算法由于其对噪声的鲁棒性，在动态优化方面具有巨大的潜力。另一方面，EA也因其高计算复杂性而受到批评，这似乎与现实世界动态优化的核心要求相矛盾，即，对环境变化的快速适应（通常在挂钟时间方面）。到目前为止，EA是否真的会导致一个真正有效的方法，为现实世界的动态优化仍然不清楚。在本文中，采用EA的动态优化的背景下，一个新的框架进行了探索。我们建议，而不是不断变化的目标函数的在线进化（搜索）的解决方案，EA更适合以离线的方式获得解决方案的档案，可以通过构建一个系统，以提供高质量的解决方案，有效地在动态环境中。具体来说，我们首先将动态优化问题转化为面向静态集合的优化问题。然后，一种特殊类型的进化算法，即竞争协同进化，被用来搜索档案的解决方案，在一个对抗的方式。针对连续动态约束优化问题对通用框架进行了实例化，实证结果表明了所提出框架的潜力。
2019-12-09 cs.NE
Modelling SARS-CoV-2 coevolution with genetic algorithms
2020年底，SARS-CoV-2病毒变种的出现动摇了应对SARS-CoV-2疫情的政策，影响了全球的公共卫生和政策措施。这些疑似传染性更强、更严重、甚至对抗体和疫苗具有抗药性的菌株的出现，似乎让卫生服务部门和政策制定者感到意外，他们正在努力适应新的变种限制。预测这些突变的出现以提前制定适当的政策，并了解人类行为如何通过共同进化影响病毒的进化，这是关键的挑战。在这篇文章中，我们提出了协同进化与遗传算法（GAs）作为一个可信的方法来模拟这种关系，突出其影响，潜力和挑战。由于其探索大空间的可能的解决方案，产生新颖性的能力，和自然的遗传焦点，遗传算法是相关的这个问题。我们提出了一个双GA模型，在该模型中，病毒的生存和政策措施，旨在最大限度地减少人口中的感染率，竞争性地发展。这种人工协同进化系统可能为我们提供一个实验室，可以“调试”我们目前的政策措施，找出我们目前战略的弱点，并预测病毒的进化，以提前规划相关政策。它也构成了一个决定性的机会，开发新的遗传算法能够模拟更复杂的对象。我们强调了一些结构创新的遗传算法的病毒进化的背景下，可能会带来有前途的发展演化计算，人工生命和AI。
2021-02-24 cs.MA cs.NE q-bio.PE
Spontaneous organization leads to robustness in evolutionary algorithms
已知生物系统的相互作用网络具有若干非随机结构特性，其中一些被认为对系统鲁棒性有积极影响。研究人员才刚刚开始了解这些结构特性是如何出现的，然而，组件适应性和社区发展（模块化）的作用引起了科学界的兴趣。在这项研究中，我们将这些概念中的一些应用到进化算法中，并使用人口在适应度景观上移动时接收的信息自发地组织其人口。更准确地说，我们采用健身和聚类为基础的驱动力，指导网络结构的动态，这反过来又控制的人口动态的进化算法。为了评估这对进化的影响，实验进行了6个工程设计问题和6个人工测试功能，并与细胞遗传算法和其他16个进化算法设计。我们的研究结果表明，自组织拓扑进化算法表现出令人惊讶的强大的搜索行为，在短期和长期的时间尺度上观察到有前途的性能。经过仔细分析这些结果，我们得出结论，人口和它的拓扑结构之间的协同进化是一个强大的新范式设计强大的搜索引擎。
2011-02-06 cs.AI cs.NE
Exploring the coevolution of predator and prey morphology and behavior
生物教育中的一个常见成语是：“眼睛在前面，动物就在狩猎。眼睛在一边，动物隐藏。“在这篇论文中，我们探索了一种可能的解释，为什么捕食者倾向于拥有面向前方的高敏锐度视觉系统。我们使用基于代理的进化计算模型，其中捕食者和猎物在连续几代进化中相互作用并使其行为和形态相互适应。在这个模型中，我们观察到一个共同进化的周期之间的猎物群集行为和捕食者的视觉系统，捕食者和猎物不断适应他们的视觉系统和行为，分别在进化的时间，在相互反应，由于众所周知的“捕食者混淆效应。“此外，我们提供的证据表明，捕食者的视觉系统是推动这种共同进化周期的原因，并表明如果捕食者进化出一种混合视觉系统，能够窄，高敏锐度的视觉来跟踪猎物，以及广泛，粗糙的视觉来发现猎物，那么这个周期可能会关闭。因此，捕食者混淆效应对捕食者视觉系统的相互冲突的要求可能导致许多捕食者进化出复杂的眼睛。
2016-02-29 cs.NE q-bio.PE
Using 3-Objective Evolutionary Algorithms for the Dynamic Chance Constrained Knapsack Problem
The University of Adelaide（阿德莱德大学）；School of Computer and Mathematical Sciences（计算机与数学科学学院）
针对随机权重与动态容量并存的机会约束背包问题，提出独立于置信水平的三目标形式化，并用GSEMO和MOEA/D验证其优于二目标方法。
2024-04-09 cs.AI cs.NE
Adversarial Coevolutionary Illumination with Generational Adversarial MAP-Elites
IT University of Copenhagen（哥本哈根信息技术大学）；armasuisse Science+Technology（瑞士联邦国防军科技司）
本文提出GAME算法，通过交替进化对抗双方，结合视觉嵌入模型消除领域特定行为描述，验证其在三个对抗领域中的有效性及开放性发现的局限性。
2026-05-08 cs.NE
A Federated Data-Driven Evolutionary Algorithm for Expensive Multi/Many-objective Optimization
East China University of Science and Technology（华东理工大学）；University of Surrey（萨里大学）
数据驱动优化在现实世界中有许多成功的应用，并在进化优化领域受到越来越多的关注。大多数现有的算法假设用于优化的数据总是在中央服务器上可用于构建代理。然而，当数据必须以分布式方式收集并且受到隐私限制时，这种假设可能无法成立。提出一种联邦数据驱动的多目标进化优化算法。为此，我们利用联邦学习进行代理构建，以便多个客户端协同训练径向基函数网络作为全局代理。然后提出了一种新的联邦获取函数，用于中央服务器使用全局代理来近似目标值，并基于局部模型来估计近似目标值的不确定性水平。该算法的性能进行了验证一系列的多/多目标基准问题，通过比较它与两个国家的最先进的代理辅助多目标进化算法。
2021-06-22 cs.AI 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
The Geno-Synthetic Algorithm: Type-Factored Coevolutionary Optimization for Heterogeneous Genotypes and Assembled Phenotypes
Evolutionairy AI（进化人工智能）
本文提出基因合成算法，通过类型分层共进化框架处理异构参数，实现基因族并行进化与表型组装，验证了其在复杂描述符和嵌入向量问题中的有效性。
2026-05-13 cs.NE
Design Mining Interacting Wind Turbines
University of the West of England（西英格兰大学）
最近提出了用于设计垂直轴风力涡轮机的代理辅助进化算法的初步研究，其中候选原型在由3D打印机物理实例化后在风扇产生的风力条件下进行评估。与其他方法不同，例如计算流体动力学模拟，没有使用数学公式，也没有做出模型假设。本文通过探索替代替代建模和进化技术来扩展这项工作。各种建模算法的准确性进行了比较，用于估计从初始实验中评估的个人的健身。时间窗口代理模型训练样本的效果进行了探讨。代理人辅助的方法的基础上，增强的本地搜索和替代的协同进化合作计划进行了检查。
2015-01-15 cs.AI cs.CE cs.NE
Evolutionary Diversity Optimization Using Multi-Objective Indicators
进化多样性优化的目标是计算一组不同的解决方案，其中所有解决方案都满足给定的质量标准。通过本文，我们将进化多样性优化和进化多目标优化结合起来。我们展示了如何流行的指标，经常使用的多目标优化领域可以用于进化多样性优化。我们的实验研究不断发展的TSP实例和图像的不同集合，根据各种功能表明，两个最突出的多目标指标，即超体积指标和倒置的世代距离，提供了良好的结果，在可视化和各种多样性指标。
2018-11-16 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
An Inverse Modeling Constrained Multi-Objective Evolutionary Algorithm Based on Decomposition
Centro de Informática, Universidade Federal de Pernambuco（伯南布哥联邦大学信息中心）；Centro de Estudos e Sistemas Avançados do Recife（累西腓高级研究与系统中心）
提出IM-C-MOEA/D，将基于分解的逆建模引入约束多目标进化优化，并在RWMOP1-35上验证其优于现有CMOEAs。
2024-10-24 cs.AI cs.LG cs.NE
A Review of Evolutionary Multi-modal Multi-objective Optimization
多模态多目标优化的目的是在目标空间中找到所有的Pareto最优解，包括重叠的解。自2005年以来，演化计算社区一直在研究多模态多目标优化。然而，这是很难调查现有的研究在这一领域，因为他们已经独立进行，并没有明确使用术语“多模态多目标优化”。为了解决这个问题，本文回顾了现有的进化多模态多目标优化的研究，包括研究发表的名称是不同的“多模态多目标优化”。我们的审查还澄清了在这一研究领域的开放问题。
2020-09-28 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
New Model for Multi-Objective Evolutionary Algorithms
多目标进化算法是解决多目标优化问题的有效方法。到目前为止，已经提出了数十个MOEA。统一模式将为建立新的多边环境协定提供一个更系统的办法。在这里，提出了一个新的模型，其中包括两个子模型的基础上两类不同的模式MOEA。在此基础上，对一些有代表性的算法进行了分解，并讨论了一些有趣的问题.
2011-01-31 cs.NE
Automatically Balancing Model Accuracy and Complexity using Solution and Fitness Evolution (SAFE)
当在生物医学数据中寻找预测模型时，人们通常会想到不止一个目标，例如，实现高准确性和低复杂性（以促进可解释性）。我们在这里调查多个目标是否可以动态调整我们最近提出的协同进化算法，安全（解决方案和健身进化）。我们发现，SAFE是能够自动调整准确性和复杂性，没有性能损失，与标准的进化算法相比，在复杂的模拟遗传学数据集的GAMETES工具。
2022-06-30 cs.NE
Evolutionary Alternating Direction Method of Multipliers for Constrained Multi-Objective Optimization with Unknown Constraints
针对约束函数未知导致传统算法失效的问题，提出受ADMM启发的进化优化框架，将问题解耦为两个子问题并分配独立种群交替进化，实验证明其收敛更快且对Pareto前沿适应性更强。
2024-01-02 cs.NE
Evolutionary Algorithms and Multi-Objective Minimum Spanning Trees with Limited Distinct Weight Values
Univ. Lille, CNRS, Centrale Lille, UMR 9189 CRIStAL（里尔大学、法国国家科学研究中心、中央理工学院、CRIStAL联合研究实验室）；University of Minnesota Duluth（明尼苏达大学德卢斯分校）；Adelaide University（阿德莱德大学）
研究当边权取少量不同值时帕累托前沿的结构，基于此推导进化多目标算法的新运行时界，并通过实验验证。
2026-06-17 cs.NE
Do We Really Need to Use Constraint Violation in Constrained Evolutionary Multi-Objective Optimization?
约束破坏是设计求解约束多目标优化问题的进化多目标优化算法的基础。然而，在现实世界的黑盒优化场景中，约束违反是很难接近的，这并不罕见。现有的约束进化多目标优化算法的环境选择机制是建立在约束违背的基础上的，当约束函数的形式未知时，这些算法是否仍然有效还不清楚。考虑到这一点，本文选取了四个广泛使用的约束进化多目标优化算法作为基线，并开发了相应的变种，用一个清晰的值来代替约束违反。从我们的实验合成和现实世界的基准测试问题，我们发现，所选算法的性能没有显着影响时，约束违反不用于指导环境选择。
2022-05-28 cs.NE
Specific Single- and Multi-Objective Evolutionary Algorithms for the Chance-Constrained Knapsack Problem
机会约束背包问题是经典背包问题的一个变种，其中每个项目都有一个权重分布，而不是一个确定的权重。目标是在所选项目的权重仅以小概率$α$超过给定的权重界限的条件下，使所选项目的总利润最大化。在本文中，考虑特定问题的单目标和多目标的方法的问题。我们研究了使用重尾突变，并引入了一个特定问题的交叉算子来处理机会约束背包问题。单目标进化算法的实证结果表明，我们的运营商相比，使用经典的运营商的有效性。此外，我们引入了一个新的有效的多目标模型的机会约束背包问题。我们使用该模型结合多目标进化算法中的问题特定的交叉算子来解决这个问题。我们的实验结果表明，这导致显着的性能改善时，使用的方法在进化多目标算法，如GSEMO和NSGA-II。
2020-04-08 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
An Effective and Efficient Evolutionary Algorithm for Many-Objective Optimization
在进化多目标优化中，有效性是指进化算法如何将其解收敛到帕累托前沿并使其在前沿多样化。这不是一件容易的工作，特别是对于具有三个以上目标的优化问题，称为多目标优化问题。在这样的问题中，经典的基于帕累托的算法无法向帕累托前沿提供足够的选择压力，而最近开发的算法（诸如基于分解的算法）可能难以在某些问题上维持一组分布良好的解决方案（例如，不规则的Pareto前沿）。在一些多目标优化器中的另一个问题是随着目标的数量而快速增加的计算需求，例如基于超体积的算法和基于移位的密度估计（SHIP）方法。在本文中，我们的目标是解决这个问题，并开发一个有效的和高效的进化算法（E3A），可以处理各种多目标问题。在E3A中，受环境选择的启发，提出了一种新的种群维护方法来选择高质量的解决方案。我们进行了广泛的实验，并表明，E3A表现优于11个国家的最先进的多目标进化算法，快速找到一组收敛良好，多样化的解决方案。
2022-10-25 cs.NE
Optimizing Hearthstone Agents using an Evolutionary Algorithm
本文提出用进化算法优化考虑全部场上要素的数据驱动《炉石传说》决策智能体，并通过竞争性协同进化实现自学习，所获智能体在国际AI竞赛中跻身最佳6%，表现优于或堪比蒙特卡洛树搜索等方法。
2024-10-25 cs.NE
Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization
本文针对单目标多模态和多目标优化问题，提出结合混沌演化与小生境技术的CEDC和CECA算法，并扩展出包含不确定性选择和自适应调参的综合框架，显著提升了优化精度与鲁棒性。
2024-11-12 cs.NE
A Newton Method for Hausdorff Approximations of the Pareto Front within Multi-objective Evolutionary Algorithms
本文提出一种基于集合的牛顿方法，用于在多目标进化算法中生成Pareto前沿的Hausdorff近似，通过推广性能指标牛顿步并利用算法运行数据生成参考集，作为后处理步骤显著提升了近似效果。
2024-09-25 cs.NE
A Framework to Handle Multi-modal Multi-objective Optimization in Decomposition-based Evolutionary Algorithms
多模态多目标优化是寻找尽可能多的（几乎）等价Pareto最优解。虽然基于分解的进化算法在多目标优化问题上具有良好的性能，但由于缺乏保持解空间多样性的机制，它们在多模态多目标优化问题上可能表现不佳。为了解决这个问题，本文提出了一个框架，以提高性能的分解为基础的进化算法的多模态多目标优化。我们的框架基于三个操作：赋值、删除和加法操作。一个或多个人可以被分配到同一个子问题，以处理多个等效的解决方案。在每次迭代中，基于子问题的目标向量将子问题分配给子问题，即，它在客观空间中的位置。将子问题与分配给同一子问题的解空间中的相邻子问题进行比较。六个基于分解的进化算法，我们的框架的改进版本的性能进行评估的各种测试问题的目标，决策变量，和等价的帕累托最优解集的数量。结果表明，改进后的算法性能明显优于原算法。
2020-09-30 cs.NE
