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
Approximation of the objective insensitivity regions using Hierarchic Memetic Strategy coupled with Covariance Matrix Adaptation Evolutionary Strategy
AGH University of Science and Technology（AGH科技大学）
全局优化中最具挑战性的不适定性类型之一是设计参数空间中存在不敏感区域，因此如果不适定性是不可恢复的，则对其形状的识别将是至关重要的。这样的问题可以使用全局随机搜索来解决，然后对局部样本和局部目标近似进行后处理。我们提出了一种新的方法，这种类型的分层模因策略（HMS）由协方差矩阵自适应进化策略（CMA-ES）提供动力，众所周知，作为一种有效的，自适应的随机优化算法，我们利用它积累的分布密度知识，以更好地识别和分离不敏感区域。基准测试结果表明，改进的HMS-CMA-ES策略在总计算量和不敏感区域逼近精度方面都是有效的。测试的参考数据是通过一个众所周知的多模态随机优化的有效策略，称为小生境进化算法2（NEA 2），也使用CMA-ES作为一个组成部分。
2019-05-17 cs.AI cs.NE
Covariance Matrix Adaptation Evolution Strategy Assisted by Principal Component Analysis
在过去的几十年里，由于技术的发展，越来越多的方法获得了巨大的发展。进化算法作为一种探试法被广泛应用。然而，当维数增加时，计算预算呈指数级增加。协方差矩阵自适应演化策略（CMA-ES）是一种数值型的、适用于不同类型问题的进化算法，本文将采用主成分分析（PCA）降维方法对CMA-ES进行降维。我们评估我们的新方法的性能，在收敛速度方面的多模态问题的黑盒优化基准（BBOB）的问题集，我们还使用框架比较连续优化器（COCO），看看如何新的方法去和比较它与其他算法。
2021-05-11 cs.NE
Towards Self-adaptive Mutation in Evolutionary Multi-Objective Algorithms
该研究针对多目标进化算法自适应变异机制研究不足的问题，借鉴单目标优化的自适应变异技术提出新型自适应变异GSEMO，经多基准问题测试验证其收敛性能优于静态变异版本，完善了相关基准研究与理论分析。
2023-05-08 cs.NE
Continuous On-line Evolution of Agent Behaviours with Cartesian Genetic Programming
演化计算已成功地用于合成控制器的体现代理和多智能体系统一般。尽管如此，连续在线适应进化算法的手段仍然是探索不足，特别是在进化机器人领域之外。在本文中，我们提出了一个在线进化规划算法，搜索在代理设计空间的适当的行为政策，以应付底层环境。我们讨论了目前的问题，连续代理适应，提出了我们的在线进化模拟的进化测试床。
2014-07-02 cs.MA cs.NE
Solving Linear Equations Using a Jacobi Based Time-Variant Adaptive Hybrid Evolutionary Algorithm
对于大型线性方程组，特别是稀疏的、结构化的系数（矩阵）方程组，用经典方法求解变得困难。进化算法主要用于解决各种优化和学习问题。近年来，经典方法（Jacobi方法和Gauss-Seidel方法）与演化计算技术的混合已经成功地应用于线性方程的求解。在上述两种混合进化方法中，均采用均匀自适应技术来自适应松弛因子。提出了一种新的基于Jacobi的时变自适应混合进化算法。在该算法中，一个时变自适应（TVA）技术的松弛因子被引入，旨在改善精细的局部调整和减少的缺点，均匀的松弛因子的适应。该算法将基于Jacobi的SR方法与时变自适应进化算法相结合。从理论上证明了算法的收敛性定理。并在实验域内将该算法与JBUA混合进化算法和经典算法进行了性能比较。该算法在收敛速度和有效性方面均优于JBUA混合算法和经典方法。
2013-04-13 cs.NE
An Approach to Solve Linear Equations Using a Time-Variant Adaptation Based Hybrid Evolutionary Algorithm
Khulna University of Engineering and Technology（库尔纳工程与技术大学）
本文提出一种基于时间变适应的混合进化算法，用于高效求解大规模线性方程，通过对比实验验证其在效率上的优越性。
2013-04-11 cs.NA cs.NE math.NA
Applications of Gaussian Mutation for Self Adaptation in Evolutionary Genetic Algorithms
Harvard Medical School-MIT（哈佛医学院-麻省理工学院）；Moravian Academy Upper School（摩拉维亚学院高中部）
近年来，由于需要更强大的计算方法，优化问题变得越来越普遍。随着人工智能等技术的出现，需要新的元算法来增强经典算法的能力。最近，研究人员一直在研究查尔斯·达尔文的自然选择和进化理论，将其作为使用机器学习增强当前方法的一种手段。1960年，第一个遗传算法由John H.荷兰和他的学生。我们探讨的数学直觉的遗传算法在开发系统能够使用高斯变异，以及其在解决优化问题的影响。
2022-01-05 cs.LG cs.NE math.OC
Covariance Matrix Adaptation Greedy Search Applied to Water Distribution System Optimization
配水系统设计是一个具有挑战性的优化问题，具有大量的搜索维度和约束条件。通过这种方式，进化算法（EA）已被广泛应用于优化WDS，以最大限度地减少成本，同时满足压力约束。本文提出了一种新的混合进化框架，包括三个不同的阶段。第一阶段应用CMA-ES，这是一种用于连续优化的鲁棒自适应元启发式算法。这之后是向上贪婪搜索阶段，以消除压力违规。最后，使用向下贪婪搜索阶段来减少过大的管道。为了评估混合方法的有效性，它被应用到五个著名的WDS的案例研究。结果表明，新的框架优于CMA-ES本身和其他以前应用的算法在大多数基准的优化速度和网络成本。
2019-09-11 cs.NE
The Self-Organization of Interaction Networks for Nature-Inspired Optimization
School of Information Technology and Electrical Engineering, University of New South Wales (ADFA Campus)（新南威尔士大学信息技术与工程学院（澳国防军学院校区））
在过去的十年中，在理解复杂的生物系统方面取得了重大进展，但是很少有人尝试将这些知识纳入自然启发的优化算法中。在本文中，我们提出了第一次尝试，将一些复杂的生物系统的基本结构特性，被认为是必要的先决条件，系统的质量，如鲁棒性。特别是，我们专注于两个重要的条件缺少进化算法的人口;自组织定义的局部性和相互作用上位性。我们证明，这两个功能相结合时，提供的算法行为没有观察到在典型的进化算法或进化算法与结构化人口，如细胞遗传算法。算法行为中最显著的变化是在单一种群中遗传上不同的个体可持续共存的前所未有的能力。这种持续遗传多样性的能力不是强加给种群的，而是作为系统动态的自然结果出现的。
2009-07-02 cs.AI cs.NE
Self-adaptation of Genetic Operators Through Genetic Programming Techniques
在这里，我们提出了一个进化算法，自我修改其运营商在同一时间，候选解决方案的演变。这解决了趋同和缺乏多样性的问题，导致更好的解决方案。算子被表示为树，并使用遗传编程（GP）技术进行进化。所提出的方法进行了测试与真正的基准函数和运营商的演变分析。
2017-12-17 cs.NE
Adaptation to criticality through organizational invariance in embodied agents
许多生物系统和认知系统并不在一种或另一种活动机制的深处运作。相反，它们在位于其参数空间中的相变的临界点处保持平衡。临界性的普遍性表明，可能存在诱导这种行为的一般原则，但没有充分的理论来理解临界性是如何在广泛的层次和背景下产生的。为了探讨如何从一般的自适应机制的临界可能出现，我们提出了一个简单的学习规则，保持一个内部的组织结构，从一个特定的家庭系统的临界。我们实现的机制，在人工体现代理人控制的神经网络保持一个相关结构随机抽样的伊辛模型在临界温度。在两个经典的强化学习场景中评估代理：山地车和Acrobot双摆。在这两种情况下，神经控制器似乎达到了临界点，这与代理行为的两个制度之间的过渡点相吻合。这些结果表明，在某些情况下，适应临界性可以作为一种普遍的适应机制，提供了另一种解释的普遍存在的临界性在生物和认知系统。
2018-06-01 cond-mat.dis-nn cond-mat.stat-mech cs.NE
Leveraging Evolutionary Surrogate-Assisted Prescription in Multi-Objective Chlorination Control Systems
Project Resilience（项目韧性）
本文提出进化代理辅助处方（ESP）方法，用于多目标氯化控制，并在IJCAI-2025挑战赛中初步验证其训练真实世界智能体的潜力。
2025-08-26 cs.LG cs.NE
Risk aversion as an evolutionary adaptation
风险规避是人类和动物的共同行为。传统上，经济学家通过效用函数的曲率来定义风险偏好。心理学家和行为经济学家也使用损失厌恶和概率加权等概念来模拟风险厌恶。神经生理学证据表明，损失厌恶起源于相对古老的神经回路（例如，腹侧纹状体）。因此，风险规避是否有进化的起源？我们研究这个问题的发展战略，适应发挥同等的平均回报赌博。我们假设，风险厌恶在等效的平均回报赌博是有益的，作为一种适应生活在小群体中，并发现，偏好风险厌恶策略只在小于1,000人的小群体中发展，而代理人表现出没有这样的策略偏好在较大的人群。此外，我们发现，风险厌恶也可以在更大的群体中进化，但只有当人口被分成大约150个个体的小群体时。最后，我们观察到，只有当赌博是一个罕见的事件，对个人的健身有很大的影响，风险厌恶的演变。这些发现与早期的报告一致，即人类在进化史的大部分时间里都生活在小群体中。因此，我们认为，罕见的，高风险的，高回报的事件，如交配和配偶竞争可能会推动生活在小群体中的人类风险厌恶行为的进化。
2013-10-23 cs.GT cs.NE q-bio.PE
Weight Adaptation for Improving Parallel Performance of Adaptive Stochastic Natural Gradient
Yokohama National University（横滨国立大学）
提出WA-ASNG，通过梯度上升自适应更新权重参数，最大化自然梯度信号，在二进制优化问题中优于PBIL和ASNG，并有效处理强噪声。
2026-06-19 cs.NE
Hybrid Wave-wind System Power Optimisation Using Effective Ensemble Covariance Matrix Adaptation Evolutionary Algorithm
本研究针对漂浮式混合风浪系统的复杂优化问题，提出结合协方差矩阵适应、新颖性搜索和离散化技术的有效集成优化（EEA）方法，在多个海域测试中显著提升了系统的平均功率输出和收敛率。
2025-05-28 cs.NE
Learning Evolution via Optimization Knowledge Adaptation
Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education（教育部智能感知与图像理解重点实验室）；International Research Center for Intelligent Perception and Computation（智能感知与计算国际研究中心）；Xidian University（西安电子科技大学）
本文提出OKAEM模型，通过注意力机制参数化进化算子，实现优化知识的预训练和自适应优化，提升进化算法的知识转移与在线适应能力。
2026-04-21 cs.AI cs.CV cs.LG
Exploration and Exploitation in Symbolic Regression using Quality-Diversity and Evolutionary Strategies Algorithms
Université de Paris（巴黎大学）；Ochanomizu University（御茶水女子大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
通过结合遗传编程，MAP精英和协方差矩阵自适应演化策略，我们在符号回归问题中表现出非常高的成功率。MAP-Elites用于改进探索，同时保持多样性并避免过早收敛和膨胀。然后，协方差矩阵自适应演化策略被用来评估自由标量通过非梯度的黑箱优化器。虽然这种评估方法是不计算可扩展的高维问题，我们的算法是能够找到正是大多数的$31$目标提取的文献上，我们评估它。
2019-06-10 cs.LG cs.NE
Reference Vector Adaptation and Mating Selection Strategy via Adaptive Resonance Theory-based Clustering for Many-objective Optimization
针对多目标优化中参考向量自适应未充分利用拓扑结构且聚类性能有限的问题，提出基于自适应共振理论聚类的进化算法，同时用于参考向量自适应和交配选择，并在78个测试问题上优于8种主流MOEAs。
2022-05-04 cs.NE
Solving Linear Equations by Classical Jacobi-SR Based Hybrid Evolutionary Algorithm with Uniform Adaptation Technique
Khulna University of Engineering and Technology（库尔纳工程与技术大学）
提出一种结合均匀自适应进化计算和经典Jacobi-SR技术的混合算法，用于高效求解线性方程组，并证明其收敛性和适应性，实验表明该算法在收敛速度和有效性上优于基于Gauss-Seidel-SR的混合算法及经典方法。
2013-04-08 cs.NA cs.NE math.NA
A Simple Model of Unbounded Evolutionary Versatility as a Largest-Scale Trend in Organismal Evolution
生物有机体进化中存在任何大规模趋势的想法是非常有争议的。例如，人们普遍认为，在进化过程中存在着一个大规模的复杂性增加的趋势，但经验和理论的论点削弱了这一信念。自然选择的结果是生物体很好地适应了当地的环境，但目前还不清楚当地的适应如何产生全球趋势。在本文中，我提出了一个简单的计算模型，在局部适应随机变化的环境中的结果，在全球的趋势，增加进化的多功能性。在这个模型中，为了使进化的多样性无限制地增加，环境必须是高度动态的。该模型还表明，无限的进化多样性意味着加速进化的步伐。我相信，进化的多样性的无限增长是进化的一个大规模趋势。我讨论了一些可测试的预测生物体进化的模型所建议的。
2002-12-10 cs.CE cs.NE q-bio.PE
Use of statistical outlier detection method in adaptive evolutionary algorithms
School of Chemical Engineering（化工学院）；School of Information Technology（信息技术学院）；University of New South Wales（新南威尔士大学）；University of New South Wales and Electrical Engineering（新南威尔士大学与电气工程学院）
在本文中，进化算法（EA）搜索算子的适应概率的问题重新审视。设计了一个框架，用于区分业绩计量和为适应目的对这些计量的解释。提供了几个测量和统计解释的例子。概率值自适应测试使用EA与10个搜索运营商对10个测试问题的结果表明，这两种类型的测量和统计解释EA性能发挥重要作用。我们还发现，选择运营商的基础上，而不是平均性能的患病率是能够提供相当大的改进，自适应方法和健全优于非自适应的情况下。
2009-07-03 cs.AI cs.NE
Robot Imitation through Vision, Kinesthetic and Force Features with Online Adaptation to Changing Environments
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
连续目标导向动作（Continuous Goal-Directed Actions，CGDA）是一个机器人模仿框架，它将动作编码为它们对环境产生的变化。虽然它在泛化和可移植性方面相对于其他机器人模仿框架具有许多优点，但用于执行动作的最终机器人关节轨迹不一定在模型内编码。这是作为一个优化问题进行研究，并通过模拟环境中的进化算法计算的解决方案。进化算法需要大量的评估，这使得这些算法在现实世界中的应用非常具有挑战性。本文提出了在线进化策略，作为CGDA执行中的范式变化。在线进化策略将运动执行转移并合并到规划循环中。提出了一种具体的在线进化策略--在线进化轨迹（OET）。OET大大减少了运动执行之间的计算时间，并使工作在现实世界的动态环境和/或与人类合作。它的性能已经通过全轨迹进化（FTE）和增量进化轨迹（IET）进行了测量，获得了最佳的总体结果。TEO全尺寸的人形机器人与“油漆”和“铁”的行动，共同涉及视觉，动觉和力的功能进行实验评估。
2019-10-23 cs.LG cs.NE cs.RO
Optimal-margin evolutionary classifier
我们介绍了一种新的方法，利用进化算法的判别分类。首先，我们提出了一种算法，以优化的总损失值使用一个修改的0-1损失函数在一维空间的分类。然后，我们扩展这个算法的多维分类使用进化算法。所提出的进化算法的目的是找到一个超平面，最好的分类实例，同时最大限度地减少分类风险。我们测试了粒子群优化算法，进化策略，协方差矩阵自适应进化策略的优化目的。最后，我们比较了我们的结果与完善的和国家的最先进的分类算法，二进制和多类分类，对19个基准分类问题，有和没有噪音和离群值。结果表明，该算法的性能是显着的（t检验）优于所有其他方法在几乎所有的测试问题。我们还表明，该算法是显着更强大的噪声和离群值相比，其他方法。该算法的运行时间是在一个合理的范围内，为现实世界的分类问题的解决。
2018-04-26 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
GeM-EA: A Generative and Meta-learning Enhanced Evolutionary Algorithm for Streaming Data-Driven Optimization
South China University of Technology（华南理工大学）
本文提出GeM-EA，结合元学习和生成重放，提升流数据驱动优化的适应速度和鲁棒性。
2026-04-14 cs.AI cs.NE
Survival of the Fittest: Evolutionary Adaptation of Policies for Environmental Shifts
University of Southern California（南加州大学）
针对环境随机动态发生剧烈分布变化导致原RL策略失效的问题，提出受进化博弈论启发的ERPO自适应再训练算法，并证明其收敛性与实验优势。
2024-10-22 cs.AI cs.GT cs.LG
Neutrality: A Necessity for Self-Adaptation
自适应被用于进化计算的所有主要范例中以提高效率。我们主张，自适应的基础是使用中立性。在没有外部控制的情况下，中立性允许搜索分布的变化，而没有健身损失的风险。
2002-04-16 cs.NE nlin.AO q-bio
Leveraging Evolutionary Search to Discover Self-Adaptive and Self-Organizing Cellular Automata
构建自适应和自组织（SASO）系统是一个具有挑战性的问题，部分原因是SASO原理尚未得到很好的理解，并且很少有平台可以探索它们。元胞自动机（CA）是一种研究自组织原理的方法。CA包括单元格，其状态基于离散更新函数随时间改变。开发CA的一个挑战是描述每个单元的局部行为的更新函数与整个CA的全局行为的关系通常不清楚。因此，许多研究人员使用随机搜索技术，如进化算法，自动发现产生所需全局行为的更新函数。然而，这些更新函数通常以不提供自适应的方式来定义。在这里，我们描述了一种方法来发现CA更新功能，是自适应和自组织的。具体来说，我们使用一种新的基于进化算法的方法来发现有限状态机（FSM），实现CA的更新功能。我们展示了这种方法是如何能够发展FSM为基础的更新功能，执行良好的密度分类任务的1，2，和3维CA。此外，我们表明，这些FSM是自适应的，自组织的，和高度可扩展的，经常表现良好的CA的数量级大于那些用来评估性能在进化搜索。这些结果表明，CA是一个可行的平台，研究自适应和自组织的集成，并加强了使用进化算法作为SASO系统的一个组成部分的情况下。
2014-05-16 cs.NE nlin.CG
Dynamic Detection of Relevant Objectives and Adaptation to Preference Drifts in Interactive Evolutionary Multi-Objective Optimization
Centre for Logistics & Sustainability Analytics, Kent Business School, University of Kent（肯特大学肯特商学院物流与可持续性分析中心）；Université de Haute-Alsace（上阿尔萨斯大学）；Alliance Manchester Business School, University of Manchester（曼彻斯特大学联盟曼彻斯特商学院）
本研究针对交互式多目标优化中决策者偏好动态变化的问题，提出在基于排序的算法中模拟偏好漂移、丢弃过时或冲突偏好，并保护相关目标免于陷入最优，实验证明该方法能有效管理演变偏好并提升解的质量。
2024-11-07 cs.AI cs.NE math.OC
Modularity in biological evolution and evolutionary computation
生物系统的主要特性之一是模块性，它体现在其组织的各个层面，从分子遗传学层面开始，到整个生物体及其社区的层面结束。在一个简化的形式中，这些基本原理从种群遗传学转移到演化计算领域，以解决应用优化问题。在计算机科学的这一领域中，经过近半个世纪的发展，已经获得了相当多的实践经验，并取得了令人感兴趣的理论成果。在这项调查中，遗传学和演化计算与模块化相关的现象和模式进行了比较。从模块化的角度分析了在这些领域取得的结果的相似性和差异。讨论了各领域之间知识转移的可能性。
2018-11-19 cs.NE q-bio.PE
Evolution of genetic organization in digital organisms
我们研究了自我复制数字生物群体中遗传信息的表达模式和组织的演变。用线性表达的祖先播种实验，我们见证了复杂的，平行的二级表达模式的发展。使用信息论的原则，我们证明了一个进化的压力对重叠的表达造成的变化（从而进一步演变）急剧下降。最后，我们比较了显性基因组的重叠部分，这些部分是单独表达，并观察到显着差异，其编码的熵。
1999-03-06 adap-org cs.NE nlin.AO
Environmental Adaptation of Robot Morphology and Control through Real-world Evolution
University of Oslo（奥斯陆大学）；Norwegian Defence Research Establishment（挪威国防研究机构）；Australian National University（澳大利亚国立大学）；CSIRO（澳大利亚联邦科学与工业研究组织）；RITMO（节奏研究中心）
在现实世界中运行的机器人将经历一系列不同的环境和任务。机器人必须具有适应环境的能力，才能在变化的环境中有效地工作。进化机器人旨在通过优化机器人的控制和身体（形态）来解决这个问题，允许适应内部和外部因素。这一领域的大多数工作都是在物理模拟器中完成的，这些模拟器相对简单，无法复制现实世界中的丰富交互。解决方案，依赖于控制，身体和环境之间的复杂的相互作用，因此很少found.In本文中，我们完全依赖于现实世界的评估和应用进化搜索产生的形态和控制的组合，我们的机械自我重构四足机器人。我们在两个不同的物理表面上开发解决方案，并从控制和形态方面分析结果。然后，我们过渡到两个以前看不见的表面，以证明我们的方法的一般性。我们发现，进化搜索发现高性能和多样化的形态控制器配置，通过适应控制和身体的物理环境的不同属性。我们还发现，形态和控制不同的环境之间的统计意义。此外，我们观察到，我们的方法允许形态和控制参数转移到以前看不见的地形，证明了我们的方法的一般性。
2020-10-20 cs.NE cs.RO
Modeling the Evolution of Gene-Culture Divergence
我们提出了一个模型，不断发展的代理使用遗传和文化的继承机制。在每个代理中，我们的模型维护两个不同的信息存储，我们称之为基因组和记忆体。适应的过程被模拟为进化过程中的每一个层次的适应（系统发育，个体发育，社会发生）。我们回顾相关的竞争模型，我们展示了我们的模型如何改进以前的尝试模型遗传和文化的进化过程。特别是，我们认为我们的模型可以实现不同的基因文化的共同进化。
2016-04-25 cs.MA cs.NE q-bio.PE
Graph based adaptive evolutionary algorithm for continuous optimization
目前广泛使用的进化算法的最大缺点是由于种群多样性在世代间的丧失而导致的过早收敛。为了克服这个问题，已经提出了几种算法，例如基于图的进化算法（GEA）\cite{1}，其使用图来对种群的结构进行建模，而且还设计了模因或差分进化算法\cite{2,3}或基于多样性的算法\cite{4,5}。这些算法都是基于多种群的，或者说往往侧重于自调整参数，然而，他们变得复杂，因为他们的大量参数调整。在本文中，我们的方法包括一个进化算法，它允许一个动态适应的搜索算子的基础上的图，以限制多样性的损失，降低设计的复杂性。
2019-08-05 cs.DC cs.NE
Towards a Sound Theory of Adaptation for the Simple Genetic Algorithm
Brandeis University（布兰迪斯大学）
演化计算和机器学习领域的进展速度目前是有限的-在前一个领域，不可能作出有利的扩展进化算法时，他们的适应能力知之甚少，在后者的困难，找到有效的半原则性减少困难的现实世界的问题相对简单的优化问题。在本文中，我们解释了为什么一个理论，它可以准确地解释简单的遗传算法的显着的适应能力有可能解决这两个局限性。我们描述了我们认为是障碍-历史和分析-发现这样一个理论，并强调的负面作用，积木假说（BBH）发挥。我们认为，实验结果的基础上，一个基本的限制，这被广泛认为是限制SGA的自适应能力（并强烈暗示的BBH），实际上是虚幻的，并不存在。因此，SGA比目前认为的更强大。我们给出的条件下，它成为可行的数值近似和研究的多元边际的搜索分布的一个无限的人口SGA在多个世代，即使当它的基因组很长，并解释为什么这种分析是相关的谜语的SGA的显着的自适应能力。
2009-04-03 cs.AI cs.NE
Quantum Time-Series Learning with Evolutionary Algorithms
本文针对变分量子电路的参数优化问题，提出使用进化算法（特别是协方差矩阵自适应进化策略）替代梯度下降进行时间序列预测，发现进化算法能避免局部最小值并显著降低预测误差，同时探索了两者结合的方法。
2024-12-23 cs.NE quant-ph
Effective Mutation Rate Adaptation through Group Elite Selection
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Cognizant AI Labs（高知特人工智能实验室）；Sony AI（索尼人工智能）
进化算法对突变率（MR）很敏感;这个参数没有一个单一的值可以很好地跨域工作。已经提出了自适应MR方法，但它们往往是脆弱的：有时它们将MR衰减到零，从而停止进化。为了提高自适应MR的鲁棒性，本文提出了一种群体精英选择变异率（GESMR）算法。GESMR共同进化一个解的种群和一个MR的种群，使得每个MR被分配到一组解。在进化过程中，将组中产生的最佳突变变化而不是平均突变变化用于MR选择，从而避免MR消失问题。在相同数量的函数评估和几乎没有开销的情况下，GESMR在广泛的连续测试优化问题上比以前的方法收敛得更快，并得到更好的解决方案。GESMR还可以很好地扩展到监督图像分类任务和强化学习控制任务的高维神经进化。值得注意的是，GESMR产生的MR是最佳的长期，通过全面的前瞻性网格搜索证明。因此，GESMR和它的理论和实证分析表明如何利用自适应来提高性能的演化计算的几个应用程序。
2022-04-11 cs.AI cs.NE
Bridging Synthetic and Real Routing Problems via LLM-Guided Instance Generation and Progressive Adaptation
A*STAR（新加坡科技研究局）
通过LLM引导的实例生成和渐进适应方法，提升神经求解器在现实路由问题中的泛化能力。
2026-01-29 cs.AI cs.LG cs.NE
Self-organized criticality and adaptation in discrete dynamical networks
有人提出，复杂系统中的适应在有序和无序动力学状态之间的临界边界处被优化。在这里，我们回顾模型的动态网络，导致自组织的网络拓扑结构的基础上的局部耦合之间的动态序参量和重新布线的网络连接，收敛到临界的限制大网络大小$N$。在布尔网络和阈值网络的背景下，讨论并比较了两种自适应方案：1）活动节点松散连接，冻结节点获取新连接; 2）活动相关的节点连接，去相关的节点断开。这些简单的局部自适应规则导致网络拓扑和动态的共同进化。自适应网络与随机网络有着显著的不同：它们演化出不均匀的拓扑结构和广泛的稳态调节平台，动态活动表现出$1/f$噪声，吸引子周期服从无标度分布。所提出的拓扑自组织协同进化机制对噪声具有鲁棒性，且不依赖于动态迁移规则的细节。使用有限尺寸标度，它表明，网络收敛到一个自组织的临界状态的热力学极限。最后，我们讨论了开放的问题和未来的研究方向，并概述了这些模型的适应系统在不同领域的可能应用。
2008-11-06 cond-mat.dis-nn cs.NE nlin.AO
Studying Collective Human Decision Making and Creativity with Evolutionary Computation
我们报告我们的跨学科研究项目的总结“集体决策的进化观点”，这是通过在宾厄姆顿大学的计算，组织和社会科学家之间的密切合作进行的。我们将人类集体决策和创造力重新定义为思想生态的进化，其中思想群体通过不断应用进化算子（如思想的繁殖、重组、突变、选择和迁移）而进化，每个算子都由参与的人类进行。基于这种进化的角度来看，我们产生的假设集体人类决策使用基于代理的计算机模拟。然后通过几个真实的人类实验来验证这些假设。在整个项目中，我们利用演化计算（EC）在非传统的方式-（1）作为一个理论框架，重新解释的动态的想法产生和选择，（2）作为一个计算模拟模型的集体人类决策过程，（3）作为一个研究工具，收集高分辨率的实验数据，实际的协作设计和决策，从人类受试者。我们相信，我们的工作展示了EC涉及人类和社会动态的跨学科研究的未开发潜力。
2014-06-24 cs.MA cs.NE nlin.AO
dMFEA-II: An Adaptive Multifactorial Evolutionary Algorithm for Permutation-based Discrete Optimization Problems
TECNALIA, Basque Research and Technology Alliance (BRTA)（TECNALIA，巴斯克研究与技术联盟（BRTA））；Universidad de Cantabria（坎塔布里亚大学）；Toho University（东邦大学）；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））
多任务优化是一种新兴的研究范式，其目标是通过一个搜索过程同时解决多个优化任务。为此，开发待解决任务之间的互补性至关重要，这通常通过遗传物质的转移来实现，从而形成转移优化领域。在这种情况下，进化多任务处理解决这个范式诉诸概念从演化计算。在这个特定的分支中，多因子进化算法（MFEA）等方法最近在处理多个优化任务时获得了显着的发展势头。这项工作有助于这一趋势，提出了最近推出的多因子进化算法II（MFEA-II）的第一个适应置换为基础的离散优化环境。为了对这种适应进行建模，一些概念不能直接应用于离散搜索空间，例如以父为中心的交互。在本文中，我们完全重新制定这样的概念，使他们适合于处理基于置换的搜索空间，而不会失去固有的好处MFEA-II。建议的求解器的性能进行了评估超过5个不同的多任务设置，由8个数据集的著名的旅行推销员（TSP）和容量限制的车辆路径问题（CVRP）。所获得的结果和他们的比较，由离散版本的MFEA确认的良好性能的开发dMFEA-II，并同意在以前的研究中得出的见解，连续优化。
2020-05-13 cs.AI cs.DM cs.NE
