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
Random Error Sampling-based Recurrent Neural Network Architecture Optimization
Universidad de Málaga（马拉加大学）；Massachusetts Institute of Technology（麻省理工学院）
递归神经网络擅长解决预测问题。然而，找到一个适合问题的网络是相当困难的，因为它们的性能受到其架构配置的强烈影响。自动架构优化方法有助于找到最合适的设计，但由于其高计算成本，它们没有被广泛采用。在这项工作中，我们介绍了基于随机误差采样的神经进化（RESN），一种进化算法，使用平均绝对误差随机采样，一种无需训练的方法来预测人工神经网络的预期性能，以优化网络的体系结构。我们经验验证我们的建议，三个预测问题，并比较我们的技术，以训练为基础的架构优化技术和神经进化方法。我们的研究结果表明，我们可以实现最先进的错误性能，我们减少了一半的时间需要执行优化。
2021-03-15 cs.LG cs.NE
Evolutionary Generative Optimization: Towards Fully Data-Driven Evolutionary Optimization via Generative Learning
EvoGO通过生成学习实现完全数据驱动的进化优化，提升优化精度和适应性，优于传统EAs、贝叶斯优化和强化学习方法。
2026-02-13 cs.NE
Evolutionary Optimization for Decision Making under Uncertainty
在不确定性下优化决策问题可以使用多种解决方法。软计算和启发式方法往往是强大的解决这些问题。在这篇综述文章中，我们将概述用于解决随机规划问题的进化优化技术-包括单阶段和多阶段情况。
2014-01-19 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
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
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
Discrepancy-based Evolutionary Diversity Optimization
多样性在演化计算中起着至关重要的作用。虽然多样性主要用于防止进化算法的种群过早收敛，但近年来，使用进化算法来获得不同的解集越来越受到关注。多样性优化的基础问题的功能方面，可以获得更好的理解可能的解决方案，手头的问题，并可以用于算法选择时，处理组合优化问题，如旅行推销员问题。我们探索使用的明星差异措施，以指导多样性优化过程的进化算法。在我们的实验研究中，我们考虑我们的差异为基础的多样性优化方法，不断发展的不同的图像集，以及旅行推销员的问题的情况下，本地搜索是无法找到接近最优的解决方案。我们的实验研究比较三种多样性优化方法表明，基于差异的多样性优化方法，使用一个平局打破规则的基础上加权差异周围的特征点提供了最好的结果，在星差异措施。
2018-02-15 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
Analysis of Solution Quality of a Multiobjective Optimization-based Evolutionary Algorithm for Knapsack Problem
多目标优化被认为是进化优化中处理约束优化问题最有前途的方法之一。本文对求解0-1背包问题的多目标优化进化算法进行了理论研究。该算法考虑了两种初始化方法：局部搜索初始化和贪婪搜索初始化。然后从逼近比的角度分析了算法的解质量。
2015-02-12 cs.NE
A Data-Driven Evolutionary Transfer Optimization for Expensive Problems in Dynamic Environments
许多现实世界的问题通常是计算成本高，目标函数随着时间的推移而演变。数据驱动，又名代理辅助的进化优化已经被认为是在静态环境中处理昂贵的黑盒优化问题的有效方法，而在动态环境下很少对其进行研究。本文提出了一个简单而有效的迁移学习框架，使数据驱动的进化优化解决动态优化问题。具体而言，它应用分层多输出高斯过程来捕获从不同时间步收集的数据与线性增加的超参数数量之间的相关性。此外，提出了一种自适应源任务选择以及定制的温暖凝视初始化机制，以更好地利用从以前的优化练习中提取的知识。通过这样做，数据驱动的进化优化可以在新环境中以严格有限的计算预算启动优化。合成基准测试问题和现实世界的案例研究的实验证明了我们提出的算法对九个国家的最先进的同行算法的有效性。
2022-11-05 cs.NE
Benchmarking the Hill-Valley Evolutionary Algorithm for the GECCO 2018 Competition on Niching Methods Multimodal Optimization
本报告介绍了最新版本的山谷进化算法（HillVallEA）在CEC 2013小生境基准测试套件上的基准测试结果。基准测试遵循GECCO 2018竞争对多模态优化小生境方法的限制。特别地，不执行问题相关的参数调整。对HillVallEA的原始出版物进行了一些调整，这些调整在本报告中进行了讨论。
2018-07-11 cs.NE
Evolutionary Diversity Optimization and the Minimum Spanning Tree Problem
在演化计算领域中，对给定优化问题的高质量解的不同集合的计算近年来在术语进化多样性优化下获得了动力。对用于多样性优化的基线进化算法的工作原理的理论见解仍然很少。在本文中，我们研究了著名的最小生成树问题（MST）的多样性优化的背景下，人口多样性是衡量成对的边缘重叠的总和。理论结果提供了深入了解的MST多样性优化问题的健身景观指出，即使人口的$μ=2$健身高原（恒定长度）可以达到，但不同的集可以计算在多项式时间。我们通过一系列针对无约束和约束情况的实验来补充我们的理论结果，其中所有解决方案都需要满足最小质量阈值。我们的研究结果表明，一个简单的$(μ+1)$ -EA可以有效地计算高质量的生成树的多样化的人口。
2021-04-27 cs.NE
Balancing Common Treatment and Epidemic Control in Medical Procurement during COVID-19: Transform-and-Divide Evolutionary Optimization
在COVID-19等疫情期间，平衡常见疾病治疗和疫情控制是医院医疗物资采购的关键目标。该问题可以转化为一个双目标优化问题，同时优化常见疾病治疗和流行病控制的效果。然而，由于大量的供应，难以评估的效果，严格的预算约束，它是困难的，现有的进化多目标算法，有效地逼近问题的Pareto前沿。在本文中，我们提出了一种方法，首先将原来的高维，约束多目标优化问题转化为一个低维，无约束多目标优化问题，然后评估每个解决方案的转换问题，通过解决一组简单的单目标优化子问题，这样的问题可以有效地解决现有的进化多目标算法。我们在2019冠状病毒病高峰期间将转换和划分进化优化方法应用于中国浙江省的六家医院。结果表明，该方法具有显着优于直接解决原始问题的性能。我们的研究也表明，基于问题特定知识的转换和划分进化优化可以是一个有效的解决方案，许多其他复杂的问题，因此，扩大了进化算法的应用领域。
2020-08-02 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
Evolutionary Artificial Neural Network Based on Chemical Reaction Optimization
进化算法是设计和进化人工神经网络，特别是训练人工神经网络的常用工具。这些方法具有传统的反向传播（BP）方法的优势，因为它们的低计算要求时，在一个大的解决方案空间搜索。在本文中，我们使用化学反应优化（CRO），一个新发展的全局优化方法，以取代BP在训练神经网络。CRO是一种基于群体的元胞动力学，模拟化学反应中的分子跃迁及其相互作用。仿真结果表明，CRO优于许多EA策略通常用于训练神经网络。
2015-02-01 cs.NE
Meme as Building Block for Evolutionary Optimization of Problem Instances
在文献中，进化优化的一个显着不足的探索领域是可以随着问题的解决而进化的优化方法的研究。特别是，目前的进化优化方法通常从头开始搜索或从零开始的知识状态，独立于给定的新的感兴趣的问题是如何类似于那些以前优化。因此，显然缺乏跨问题的自动知识转移和重用。以此为线索，本文介绍了一种新的模因计算范式的搜索，一个模型后，人类如何解决问题，并开始对智能进化优化问题的研究，通过转移的结构化知识的形式模因从以前的解决问题的经验，以提高未来的进化搜索。模因搜索范式由模因学习、模因选择、模因变异和模因模仿四个文化启发算子组成。学习算子从过去解决问题的经验中挖掘潜在结构形式的模因。选择算子识别在问题间复制和传播的适合模因，而变异算子将创新引入模因。另一方面，模仿算子定义了合适的模因如何同化到新遇到的问题的搜索过程中，从而实现高效和有效的进化优化。最后，全面研究两个广泛研究的挑战性以及建立NP难路由问题域，特别是，有能力的车辆路由（CVR）和有能力的弧路由（CAR），证实了高效率的智能进化优化问题的模因计算搜索范式。
2012-07-03 cs.NE
Genetic AI: Evolutionary Games for ab initio dynamic Multi-Objective Optimization
本文提出遗传人工智能方法，通过四种演化策略构建自洽演化博弈，在无外部参数和训练数据条件下实现从头动态多目标优化，并在两个决策问题上验证其普适性。
2025-05-08 cs.NE
Multiple-gain Estimation for Running Time of Evolutionary Combinatorial Optimization
针对进化组合优化运行时间分析受适应度波动限制的问题，提出多增益模型改进平均增益模型，得到多个更优时间复杂度结果，验证了其比现有方法更具通用性。
2025-01-13 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
Evolutionary Multitasking for Single-objective Continuous Optimization: Benchmark Problems, Performance Metric, and Baseline Results
在这份报告中，我们提出了九个多任务单目标优化（MTSOO）的测试问题，每个问题都由两个需要同时解决的单目标优化任务组成。不同的测试问题之间的任务之间的关系是不同的，这将有助于有一个全面的评价MFO算法。期望所提出的测试问题能在MTSOO的研究领域中起到抛砖引玉的作用。
2017-06-12 cs.NE
Towards Evolutionary Optimization Using the Ising Model
针对含大量局部最小值的复杂函数全局寻优问题，本文提出基于Ising模型的进化优化算法，可精准定位全局最小值，性能优于同类方法，在集成领域应用前景良好。
2025-11-19 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 Time-Use Optimization for Improving Children's Health Outcomes
一个人如何分配时间对他们的健康和幸福很重要。在本文中，我们将展示如何使用进化算法来优化时间使用，以促进健康和福祉。基于一个大的基于人口的儿童队列的数据，我们设计的健身功能来解释健康的结果，并引入可行的时间计划的限制。然后，我们研究了进化算法的性能，以优化时间使用的四个人的健康结果与假设的儿童不同的一天的结构。由于四个健康结果是竞争的时间分配，我们研究如何优化多个健康结果的形式，同时多目标优化问题。我们优化一周的时间使用计划，使用进化多目标算法，并指出权衡实现不同的健康结果。
2022-06-23 cs.NE
Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation
多目标优化问题在现实世界的科学、工程和设计优化问题中普遍存在。目标函数是一个黑箱的情况并不少见，其评估通常涉及耗时和/或昂贵的物理实验。数据驱动的进化优化可以用来搜索一组非支配的折衷解决方案，昂贵的目标函数近似为一个代理模型。在本文中，我们提出了一个框架，实现批量数据驱动的进化多目标优化。它是如此普遍，任何现成的进化多目标优化算法可以应用在一个插件的方式。特别是，它有两个独特的组成部分：1）基于Karush-Kuhn-Tucker条件，流形插值方法，探索更多样化的解决方案，并沿着近似帕累托最优集的流形保证收敛; 2）批量推荐方法，通过并行评估多个样本来减少优化过程的计算时间。在136个具有不规则Pareto最优前沿形状的基准测试问题实例上对6个最先进的代理辅助EMO算法进行了实验，充分证明了该框架的有效性和优越性。特别是，我们提出的框架具有更快的收敛速度和更强的弹性，各种PF形状。
2021-09-12 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
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
Learnable Evolutionary Multi-Objective Combinatorial Optimization via Sequence-to-Sequence Model
本文提出 SeqMO，利用序列到序列指针网络学习近似 Pareto 解之间的映射和进化轨迹，以引导多目标组合优化搜索，并在两类基准问题上验证有效。
2024-12-09 cs.NE
Evolutionary Multitasking for Multiobjective Continuous Optimization: Benchmark Problems, Performance Metrics and Baseline Results
在这份报告中，我们提出了九个多任务多目标优化（MTMOO）的测试问题，每个测试问题由两个需要同时解决的多目标优化任务组成。不同的测试问题之间的任务之间的关系是不同的，这将有助于有一个全面的评价MO-MFO算法。期望本文提出的测试问题能在MTMOO的研究领域中起到抛砖引玉的作用。
2017-06-08 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
Data-driven evolutionary algorithm for oil reservoir well-placement and control optimization
优化布井和注采是油藏开发实现经济效益最大化的关键。元启发式算法在求解复杂、非线性和非连续优化问题中表现出良好的性能。然而，在优化过程中涉及大量的数值模拟运行。在这项工作中，一种新的和有效的数据驱动的进化算法，称为广义数据驱动的差分进化算法（GDDE），提出了减少的数量的模拟运行的布井和控制优化问题。采用概率神经网络（PNN）作为分类器，选择信息量大、前景好的候选项，对最不确定的候选项进行基于欧氏距离的预筛选，并通过数值模拟进行评价。然后，利用径向基函数（RBF）建立局部代理模型，并通过数值模拟器对优化器找到的代理模型进行评价，以加速收敛。值得注意的是，RBF模型和PNN的形状因子通过求解超参数次昂贵优化问题来优化。结果表明，本文提出的优化算法对二维油藏布井优化问题和Egg模型联合优化问题具有很好的应用前景。
2022-06-07 cs.NE
Polyploidy and Discontinuous Heredity Effect on Evolutionary Multi-Objective Optimization
本文研究了在进化多目标优化算法中模拟生物细胞中多条染色体引起的不连续遗传的效果。在这种表示中，表型可能不完全反映基因型。通过这样做，我们正在模仿生物体的遗传机制，其中特征可能会默默地携带许多代，以便稍后重新出现。在每个解决方案向量中具有不同数量的染色体的表示在具有大量决策变量和目标的不同基准问题上进行测试。在所有问题上与非支配排序遗传算法-Ⅱ进行了比较。
2013-03-02 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
A New Distributed Evolutionary Computation Technique for Multi-Objective Optimization
多目标优化问题的求解是当前研究的一个重要课题。进化策略有助于有效和快速地解决这些现实世界的问题。但序列进化算法需要大量的计算能力来解决此类问题，并且需要花费大量的时间来解决大型问题。为了提高求解这类问题的性能，本文提出了一种新的分布式多目标进化策略算法。建议DNESA适用于分治的方法来分解人口成更小的子群体，并涉及多个解决方案的合作子群体的形式。在DNESA中，服务器将总的计算负载分配给所有关联的客户端，仿真结果表明，解决大型问题的时间比顺序进化算法少得多。同时，DNESA算法在收敛性测试中的性能也优于其他三种著名的进化算法。
2013-04-09 cs.NE
Generative Evolutionary Strategy For Black-Box Optimizations
针对高维黑盒优化难题，提出进化策略与生成神经网络协同的混合方法，实现可靠代理训练并在实验中优于ES和贝叶斯优化基线。
2024-01-27 cs.NE
Efficient Evolutionary Algorithm for Single-Objective Bilevel Optimization
双层优化问题是一类具有挑战性的优化问题，它包含两个层次的优化任务。在这些问题中，下层问题的最优解成为上层问题的可能可行候选。这样的要求使得优化问题难以解决，并且使研究人员忙于设计可以有效处理问题的方法。尽管努力，几乎没有任何有效的方法，这是能够处理一个复杂的双层问题。本文提出了一种基于最优下层变量对上层变量的二次近似的双层进化算法（BLEAQ）。该方法能够在相对较少的函数求值次数下处理不同复杂度的两层问题。从经典优化的思想已经与进化方法杂交，产生一个有效的优化算法的一般双层问题。该算法的有效性已被证明对两组测试问题。第一组是最近提出的SMD测试集，其中包含可控的复杂性的问题，第二组包含从文献中收集的标准测试问题。所提出的方法已被评估对两个基准，并观察到的性能增益是显着的。
2013-10-07 cs.NE
Running-time Analysis of ($μ+λ$) Evolutionary Combinatorial Optimization Based on Multiple-gain Estimation
本文提出多重增益模型以改进平均增益模型，用于分析（μ+λ）进化算法在组合优化问题上的运行时间，并在背包问题、k-MAX-SAT和旅行商问题中给出了更紧的时间复杂度上界，实验验证了模型的有效性。
2025-07-03 cs.NE
Hybrid Augmented Lagrangian Method for General Constrained Optimization via Evolutionary Algorithms
Laboratory of Automation & Robotics (LAR), Department of Electrical & Computer Engineering, University of Patras（帕特雷大学电气与计算机工程学院自动化与机器人实验室）
研究一般约束优化问题，提出混合增广拉格朗日（HyAL）方法，结合增广拉格朗日框架与进化算法优势，解决迭代子问题。实验表明该方法在基准测试中表现出色，优于纯进化方法和先进数值算法，能有效处理高维约束问题。
2026-07-21 cs.NE
Benchmarking Evolutionary Algorithms For Single Objective Real-valued Constrained Optimization - A Critical Review
基准测试在开发新的搜索算法以及评估和比较当代算法思想方面起着重要作用。本文介绍了在考虑约束优化的基准问题时需要考虑的共同原则。根据这些原则，目前的测试进化算法的基准环境进行审查。除了这一行之外，读者还可以看到约束基准测试领域中可用问题域的概述。因此，该评论支持算法开发人员提供有关可用框架的优点和缺点的信息。
2018-10-05 cs.NE
Limited Evaluation Evolutionary Optimization of Large Neural Networks
随机梯度下降法是训练神经网络最常用的算法。然而，其他方法，如进化算法也适用于这项任务。进化算法带来了值得探索的独特权衡，但迄今为止，计算需求将探索限制在参数较少的小型网络上。我们实现了一个完全在GPU上执行的进化算法，它可以有效地批量评估整个网络种群。在此框架下，我们探讨了有限评估进化算法的神经网络训练，发现其批量评估的思想带来了很大的精度权衡。在进一步的实验中，我们探索了交叉算子，发现无原则的随机均匀交叉表现得非常好。最后，我们使用EA在MNIST上训练了一个具有92 k参数的网络，并实现了97.6%的测试准确度，而使用Adam训练的同一网络的测试准确度为98%。代码可在https://github.com/jprellberg/gpuea上获得。
2018-06-26 cs.NE
Structural Combinatorial of Network Information System of Systems based on Evolutionary Optimization Method
网络信息系统是具有演化特征的军事信息网络系统。进化是无序与有序、混沌与平衡的更替过程。鉴于进化的概念源于生物系统，本文采用遗传算法分析网络信息体系结构的进化，并将网络信息体系结构用染色体表示。此外，还应用遗传算法在体系结构空间中寻找最优染色体。通过演化模拟预测网络信息体系结构的最优方案，为系统建设提供参考。
2020-02-22 cs.NE
Multidomain Evolutionary Optimization on Combinatorial Problems in Complex Networks
针对复杂网络组合优化，提出多域进化优化框架，利用社区级图相似性度量、图学习网络对齐和自适应迁移机制，在对抗性链路扰动任务上优于经典进化优化。
2025-10-09 cs.NE
Surrogate-assisted level-based learning evolutionary search for heat extraction optimization of enhanced geothermal system
加强地热系统对于提供可持续和长期的地热能源供应和减少碳排放至关重要。优化井控方案，有效地提取热量，提高热波及效率，是地热开发的重要环节。然而，大多数现有的优化算法的优化性能恶化的维数增加。针对这一问题，提出了一种新的代理辅助的基于层次学习的进化搜索算法（SLLES），用于强化地热系统的取热优化。SLLES由分类器辅助的基于层次的学习预筛选部分和局部进化搜索部分组成。两部分的合作实现了优化过程中探索与开发的平衡。通过对设计空间的迭代采样，证明了算法的鲁棒性和有效性得到了显著提高。据我们所知，该算法拥有最先进的仿真参与的优化框架。对基准函数、二维裂缝性储层和三维强化地热系统进行了对比实验。所提出的算法优于其他五个国家的最先进的代理辅助算法在所有选定的基准函数。两个排热算例的计算结果也表明，与传统的进化算法和其他代理辅助算法相比，SLLES可以获得更好的优化性能。该工作为增强型地热系统的高效地热提取奠定了坚实的基础，并为能源开发领域数据驱动优化的模型管理策略提供了指导。
2022-12-19 cs.NE
Evolutionary Multi-Objective Diversity Optimization
本文将多样化解集问题建模为双目标优化问题，提出以“种群中的种群”进化框架实现质量-多样性权衡，并在NSGA-II和SPEA2上验证了方法在多个组合优化问题上的有效性。
2024-01-15 cs.NE
Decomposition Multi-Objective Evolutionary Optimization: From State-of-the-Art to Future Opportunities
分解是经典数学规划中多目标优化和多准则决策的主流方法。然而，直到基于分解的多目标进化算法（MOEA/D）的发展，才在进化多目标优化的背景下对其进行了适当的研究。在这篇文章中，我们提出了一个全面的调查MOEA/D的发展，从它的起源到目前的国家的最先进的方法。为了做到自成一体，我们从一步一步的教程开始，旨在帮助新手快速进入MOEA/D的工作机制。然后，选择MOEA/D的主要发展，根据其核心设计组件，包括权重向量设置，子问题配方，选择机制和再生运营商进行审查。此外，我们还概述了一些进一步的发展约束处理，计算昂贵的目标函数，偏好纳入，和现实世界的应用。在最后一部分，我们为未来的发展提供了一些新的方向。
2021-08-21 cs.NE
Visual Evolutionary Optimization on Graph-Structured Combinatorial Problems with MLLMs: A Case Study of Influence Maximization
本文提出视觉进化优化（VEO）框架，利用多模态大语言模型作为骨干优化器，通过将网络解表示为图像并开发定制算子，结合图稀疏化提升可扩展性，在影响力最大化任务上验证了其优于传统进化算法的有效性。
2025-09-15 cs.NE
A New Repair Operator for Multi-objective Evolutionary Algorithm in Constrained Optimization Problems
在本文中，我们设计了一组多目标约束优化问题（MCOPs），并提出了一个新的修复算子来解决它们。建议的修复操作是用来修复的解决方案，违反盒约束。更具体地说，它采用了反向校正策略，可以有效地避免陷入局部最优的人口。此外，我们将建议的修复算子到两个经典的多目标进化算法MOEA/D和NSGA-II。在基准问题CTPs和MCOPs上，将该修复算子与其他两种常用的修复算子进行了比较。实验结果表明，我们提出的方法是非常有效的收敛性和多样性。
2015-04-01 cs.NE
Hybrid Evolutionary Optimization Approach for Oilfield Well Control Optimization
由于地下模型的复杂性和相关的非线性、大量的控制参数、大量的生产场景和地下不确定性，油田生产优化是具有挑战性的。优化涉及耗时的油藏模拟研究，以比较不同的生产方案和设置。本文介绍了两种混合进化优化方法在注水井控优化中的应用效果，并使用Olympus基准程序演示了它们的应用。首先以一个简单的累积流动性加权和（WCF）作为目标函数，然后用折现现金流的净现值（NPV）代替它进行比较。将两种常用的进化优化算法--遗传算法和粒子群优化算法用于井控优化问题的求解。其次，将遗传算法和粒子群算法与另一种流行的优化算法协方差矩阵自适应-演化策略（CMA-ES）混合使用。混合优化运行是通过将产生的种群从一个算法转移到下一个算法作为其初始种群进行进一步改进来进行的。单独的GA和PSO方法需要大约4000次仿真运行才能收敛，而两种混合优化模式（GA-CMA-ES和PSO-CMA-ES）则需要6000次仿真运行。为了减少周转时间，使用商业云计算，并使用并行编程来分配仿真工作负载。遗传算法和粒子群算法在探索性和利用性之间有很好的平衡，因此能够识别感兴趣的区域。CMA-ES算法能够利用其优良的开发特性进一步细化解决方案。因此，GA或PSO与CMA-ES在混合模式下产生更好的优化结果相比，独立的GA或PSO算法。
2021-03-29 cs.NE
Benchmark Problems for CEC2021 Competition on Evolutionary Transfer Multiobjectve Optimization
进化迁移多目标优化（ETMO）是演化计算领域的一个研究热点，其理论基础是在相关优化练习之间进行知识学习和迁移，从而提高其他优化练习的效率。此外，从人类解决问题的能力的角度来看，传输优化的潜力被认为是无价的，在这种能力中，知识的收集和重用是本能的。为了促进ETMO算法的研究，基准问题对ETMO算法分析具有重要意义，它可以帮助设计者或实践者更好地了解ETMO算法的优缺点。因此，本报告提出了40个基准函数，涵盖了各种配方模型、各种PS几何形状和PF形状、大规模变量、动态变化的环境等知识转移情况下的各种类型和属性。所有基准函数都已用JAVA代码实现，可从以下网站下载：https://github.com/songbai-liu/etmo。
2021-10-15 cs.NE
A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization
工程和工业设计应用中的许多优化问题可以表述为具有高度非线性目标的优化问题，受到多个复杂约束。解决这样的优化问题需要复杂的算法和优化技术。近年来的一个主要趋势是使用自然启发的MetaHeustic算法（NIMA）。尽管受自然启发的元启发式算法很受欢迎，但仍有一些具有挑战性的问题和开放的问题需要解决。目前的NIMAs的两个主要问题是：文献中有超过540种算法，没有统一的框架来理解不同算法的搜索机制。因此，本文试图分析不同的算法之间的一些异同，然后提出了一个广义进化元启发式（GEM），试图统一现有的一些算法。在简要讨论了一些见解自然启发式算法和一些开放的问题，我们提出了一个广义的进化元启发式算法，以统一20多个不同的算法，以了解他们的主要步骤和搜索机制。然后，我们使用15个测试基准测试的统一GEM，以验证其性能。最后，对进一步的研究课题进行了简要的讨论。
2024-07-02 cs.NE
Uncertainty And Evolutionary Optimization: A Novel Approach
进化算法（EA）已被广泛接受为复杂的现实世界的优化问题，包括工程优化的有效解决方案。然而，现实世界的优化问题往往涉及不确定的环境，包括噪声和/或动态环境，这对基于EA的优化提出了重大挑战。噪声的存在会干扰EA的评价和选择过程，从而对其性能产生不利影响。此外，由于噪声的存在对适应度函数的评估提出了挑战，因此可能需要对其进行估计而不是评估。几种现有的方法试图解决这个问题，如引入多样性（超突变，随机移民，特殊算子）或纳入过去的记忆（二倍体，基于案例的记忆）。然而，这些方法未能充分解决该问题。在本文中，我们提出了一种分布式种群切换进化算法（DPSEA）的方法，解决了优化的功能与噪声适应度使用分布式种群切换架构，模拟一个分布式自适应记忆的解决方案空间。在伪种群中使用局部回归来估计适应度。基准测试问题的成功应用，确定所提出的方法的优越性能的鲁棒性和准确性。
2014-11-21 cs.NE
Quality Indicators for Preference-based Evolutionary Multi-objective Optimization Using a Reference Point: A Review and Analysis
本文综述并分析使用参考点的偏好型进化多目标优化质量指标，揭示其适用区域、性质差异及对算法排名的影响。
2023-09-26 cs.NE
A Parallel Divide-and-Conquer based Evolutionary Algorithm for Large-scale Optimization
本文提出一种基于并行分治策略的进化算法，通过同时求解子问题兼顾解质量与并行计算效率，解决了现有方法在并行计算方案下需牺牲解质量的问题。
2018-12-06 cs.NE
Analysis of Speedups in Parallel Evolutionary Algorithms for Combinatorial Optimization
进化算法是解决各种组合问题的流行算法，因为它们易于应用并且通常产生良好的结果。岛屿模型通过使用不同的种群（称为岛屿）来并行进化，这些种群由图结构连接作为通信拓扑。每个岛屿定期将好的解决方案的副本传递给相邻的岛屿，这个过程称为迁移。我们认为岛屿模型的并行运行时间方面获得的加速从组合优化的问题：排序（作为最大化的排序），最短路径，和欧拉循环。考虑不同的搜索算子。结果表明，在何种设置和到何种程度的进化算法可以有效地并行化。在此过程中，我们还研究了岛屿模型如何处理高原。特别是，我们表明，自然设置导致指数与对数加速，这取决于迁移的频率。
2011-09-08 cs.NE
