Rethinking Selection in Generational Genetic Algorithms to Solve Combinatorial Optimization Problems: An Upper Bound-based Parent Selection Strategy for Recombination
针对世代遗传算法随机父代选择策略搜索效率低的问题，提出基于MAB框架和改进UCB1的UBS确定性父代选择策略，结合跨代知识迁移方法，在两类NP难组合优化问题上实现了比传统策略更快的高质量解搜索。
2024-10-04 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
Evolution as a Service: A Privacy-Preserving Genetic Algorithm for Combinatorial Optimization
进化算法（EA），如遗传算法（GA），提供了一种优雅的方式来处理组合优化问题（COP）。然而，受专业知识和资源的限制，大多数用户没有足够的能力来实现EA来解决COPs。一个直观且有前途的解决方案是将进化操作外包给云服务器，同时它会受到隐私问题的困扰。为此，本文提出了一种新的计算范式--进化即服务（EaaS），即云服务器在不牺牲用户隐私的前提下为用户提供演化计算服务。受EaaS思想的启发，本文设计了一种新的COPs隐私保护遗传算法PEGA。具体而言，PEGA使用户能够将COP外包给云服务器，该云服务器持有竞争性GA并以隐私保护的方式近似最优解。PEGA具有以下特点。首先，任何没有专业知识和足够资源的用户都可以解决她的COP。其次，PEGA不泄漏优化问题的内容，即，用户隐私。第三，PEGA具有与传统GA相同的逼近最优解的能力。我们实现了PEGA落在一个双服务器架构，并评估它在旅行推销员问题（TSP，一个广为人知的COP）。特别地，我们利用加密密码学来保护用户的隐私，并精心设计了一套安全计算协议来支持遗传算法对加密数据的进化操作。隐私分析表明，PEGA不会向云服务器披露COP的内容。在四个TSP数据集上的实验结果表明，PEGA在逼近最优解方面与传统GA一样有效。
2022-05-27 cs.NE
A Comparison between Memetic algorithm and Genetic algorithm for the cryptanalysis of Simplified Data Encryption Standard algorithm
遗传算法是一种基于种群的Meta算法。它们已成功地应用于许多优化问题。然而，早熟收敛是这样的经典遗传算法，使他们无法搜索问题域的许多解决方案的固有特性。模因算法是传统遗传算法的一种扩展。它使用了一种局部搜索技术，以减少过早收敛的可能性。简化数据加密标准的密码分析可归结为NP难组合问题。为了研究模因算法和遗传算法在简化数据加密标准问题（SDES）上的密码分析性能，对两种算法进行了比较。实验结果表明，对于这类NP难组合问题，模因算法的性能优于遗传算法。本文是我们的第一次努力，有效的模因算法的密码分析的SDES。
2010-04-05 cs.CR cs.NE
Early years of Biased Random-Key Genetic Algorithms: A systematic review
本文系统综述了偏置随机键遗传算法（BRKGA）的早期发展，涵盖约250篇论文，分析其方法、应用及未来研究方向。
2024-05-23 cs.NE math.OC
Parameter-less Optimization with the Extended Compact Genetic Algorithm and Iterated Local Search
本文提出了一种无参数优化框架，使用扩展紧凑遗传算法（ECGA）和迭代局部搜索（ILS），但不限于这些算法。所提出的优化算法（ILS+ECGA）是无参数遗传算法（GA）的一种扩展，其中消除了选择重组GA的参数。我们提出的方法是测试几个众所周知的问题。在缺乏领域知识的情况下，ILS+ECGA是一种鲁棒且易于使用的优化方法。
2004-02-19 cs.NE
Genetic algorithm implementation for effective document subject search
本文介绍了遗传算法的软件实现，用于识别和选择最相关的结果，在顺序执行的主题搜索操作。模拟的进化过程生成可持续的和有效的搜索查询群体，形成文档或语义核心的搜索模式，创建所需文档的相关集合，允许搜索结果的自动分类。本文讨论了主题搜索的特点，论证了采用遗传算法的合理性，描述了适应度函数的参数，并描述了算法的基本步骤和参数。
2015-04-16 cs.IR cs.NE
Non-Elitist Genetic Algorithm as a Local Search Method
充分条件下的迭代非精英遗传算法的比赛选择首次访问局部最优的多项式有界的时间平均。结果表明，如果选择适当的算法参数，这些条件是满足一类问题的保证局部最优（GLO）。
2014-03-28 cs.NE
A new hybrid genetic algorithm for protein structure prediction on the 2D triangular lattice
蛋白质的完美功能本质上与其自身的三维结构有关。因此，从蛋白质的氨基酸序列预测蛋白质的结构是许多领域的一个基本问题，引起了研究人员的关注。这个问题可以用公式表示为一个基于简化的网格模型（如疏水-极性模型）的组合优化问题。在本文中，我们提出了一种新的混合算法相结合的三种不同的著名的启发式算法：遗传算法，禁忌搜索策略和局部搜索算法，以解决PSP问题。关于建议的算法的评估，包括实验研究，在那里我们认为所产生的解决方案的质量作为主要的质量标准。此外，我们比较了建议的算法与国家的最先进的算法，使用一个良好的研究基准实例的选择。
2019-07-08 cs.NE math.OC
SHX: Search History Driven Crossover for Real-Coded Genetic Algorithm
在进化算法中，遗传算子迭代地产生新的后代，这些后代构成了一组潜在的有价值的搜索历史。为了提高实数编码遗传算法（RCGA）中交叉算子的性能，本文提出了在迭代过程中以在线方式利用到目前为止缓存的搜索历史。具体而言，过去几代的幸存者个体被收集并存储在档案中以形成搜索历史。我们介绍了一个简单而有效的交叉模型驱动的搜索历史（简称为SHX）。特别地，搜索历史被聚类，并且每个聚类被分配SHX的分数。从本质上讲，所提出的SHX是一种数据驱动的方法，它利用搜索历史进行后代选择后的后代一代。由于不需要额外的适应度评估，SHX适合于预算有限或适应度评估昂贵的任务。我们通过实验验证了SHX在4个基准函数上的有效性。定量结果表明，我们的SHX可以显着提高性能的RCGA，在准确性方面。
2020-03-30 cs.NE
A Novel Genetic Algorithm using Helper Objectives for the 0-1 Knapsack Problem
0-1背包问题是一个著名的组合优化问题。近似算法已被设计用于解决它，他们返回证明良好的解决方案在多项式时间。另一方面，遗传算法非常适合于解决背包问题，他们找到合理的好的解决方案迅速。一个自然出现的问题是遗传算法是否能够找到解决方案一样好的近似算法做。提出了一种求解0-1背包问题的多目标优化遗传算法。实验结果表明，该算法优于贪心算法、混合策略遗传算法和贪心算法+混合策略遗传算法。
2014-04-03 cs.NE
Grid Search, Random Search, Genetic Algorithm: A Big Comparison for NAS
Ternopil National Economic University（捷尔诺波尔国立经济大学）
在本文中，我们比较了三个最流行的超参数优化算法（网格搜索，随机搜索，和遗传算法），并试图将它们用于神经结构搜索（NAS）。我们使用这些算法来构建一个卷积神经网络（搜索架构）。在CIFAR-10数据集上的实验结果进一步证明了两种算法的性能差异。比较结果是基于上述算法的执行时间和所提出的模型的准确性。
2019-12-12 cs.LG cs.NE stat.ML
Synergizing Reinforcement Learning and Genetic Algorithms for Neural Combinatorial Optimization
C 2 DL, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉学科学院）；Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
针对深度强化学习求解组合优化存在探索不足、易陷局部最优的问题，提出融合DRL与遗传算法的即插即用进化增强机制EAM，经理论验证与多基准实验表明其可显著提升解质量与训练效率。
2025-06-11 cs.LG cs.NE
Genetic Network Architecture Search
提出了一种基于遗传算法的神经网络结构学习方法。我们的方法使用遗传算法集成了标准的随机梯度下降（SGD），允许所有架构解决方案的权重共享。该方法利用遗传算法设计卷积单元的子图，使有效集上的精度最大化。通过实验，我们证明了该方法在CIFAR10和CIFAR100数据集上的性能，准确率分别为96%和80.1%。此工作的代码和结果可在GitHub：https://github.com/haihabi/GeneticNAS。
2019-07-05 cs.GT cs.NE
Searching the Landscape of Flux Vacua with Genetic Algorithms
在本文中，我们采用遗传算法来探索IIB型磁通真空的景观。我们表明，遗传算法可以有效地扫描的景观可行的解决方案，满足各种标准。更具体地说，我们考虑一个对称的$T^{6}$以及锥区域的Calabi-Yau超曲面。我们认为，在这两种情况下，遗传算法是强大的工具，找到磁通真空有趣的现象学性质。我们还比较遗传算法的基础上不同的育种机制，以及随机游走方法的算法。
2019-11-26 cs.NE hep-th
A Novel Genetic Search Scheme Based on Nature -- Inspired Evolutionary Algorithms for Self-Dual Codes
本文首次将进化算法优化方法之一的遗传算法用于求解极值二元自对偶码问题。我们提出了一个比较的计算时间之间的遗传算法和线性搜索不同大小的搜索空间，并表明，遗传算法是能够找到二进制自对偶码显着快于线性搜索。此外，通过采用一个已知的矩阵结构连同遗传算法，我们能够获得新的二进制自对偶码的长度为68和72在一个显着短的时间。特别是，我们得到了11个新的极值二元自对偶码的长度为68和17个新的二元自对偶码的长度为72。
2020-12-22 cs.IT cs.NE math.IT
Water Distribution System Design Using Multi-Objective Genetic Algorithm with External Archive and Local Search
将多目标优化算法NSGA-II与局部搜索相结合，用于给水管网优化设计。所提出的算法得到的结果是从文献中的四个中型水网络。本地搜索被认为是有益的网络之一，在寻找新的解决方案，没有报告。它还表明，简单地使用一个外部档案保存所有非支配的解决方案访问的人口，即使没有本地搜索，导致大幅改善的非支配集的算法。
2019-05-20 cs.NE
Neural Genetic Search in Discrete Spaces
Mila - Quebec AI Institute（魁北克AI研究所）
针对深度生成模型测试时性能提升需求，提出将遗传算法进化机制融入深度模型生成流程的神经遗传搜索方法，以父代条件生成为核心交叉操作，在三个领域验证了其有效性与灵活性。
2025-06-16 cs.LG cs.NE
A simple and effective hybrid genetic search for the job sequencing and tool switching problem
Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)（里约热内卢天主教大学（PUC-Rio））；Universidade Federal da Paraíba（帕拉伊巴联邦大学）
作业排序与工具转换问题（SSP）由于其实用性和方法论意义，在运筹学领域得到了广泛的研究。给定一台可以同时装载有限数量刀具的机器，以及需要可用刀具子集的多个作业，SSP寻求使机器中刀具开关数量最小化的作业序列。为了解决这个问题，我们提出了一种简单有效的混合遗传搜索，该搜索基于通用解表示、定制的解码运算符、高效的局部搜索和多样性管理技术。为了指导搜索，我们引入了一个旨在打破联系的次要目标。这些技术允许探索结构上不同的解决方案，并摆脱局部最优。如我们在经典基准实例上的计算实验所示，我们的算法显着优于所有以前的方法，同时保持简单的理解和易于实现。最后，我们报告了一组新的更大的实例，以刺激未来的研究和比较分析的结果。
2019-10-10 cs.AI cs.NE math.OC
MCTS guided Genetic Algorithm for optimization of neural network weights
Syracuse University（雪城大学）
本文提出将MCTS与遗传算法结合，利用树搜索策略高效探索遗传树结构，以优化神经网络权重并更快获得最优结果。
2023-08-07 cs.LG cs.NE
Optimizing GoTools' Search Heuristics using Genetic Algorithms
GoTools是一个解决围棋中生死问题的程序。本文介绍了实验使用遗传算法优化启发式权重使用GoTools的树搜索。启发式权重的完整集合由不同的子组组成，每个子组可以用合适的适应度函数进行优化。作为一个有用的副产品，FreePascal的MPI接口被实现为允许使用在Beowulf集群上运行的并行适应度函数。本练习的目的是优化GoTools的当前版本，并使工具可用于准备GoTools的扩展，用于解决开放边界的生死问题，这将引入更多的启发式参数进行微调。
2003-02-02 cs.NE
An Aggressive Genetic Programming Approach for Searching Neural Network Structure Under Computational Constraints
最近，出现了对设计自动程序的重新兴趣（例如，使用遗传/进化算法）来优化用于特定任务的卷积神经网络（CNN）的结构。设计此类程序的挑战在于如何在网络结构的大搜索空间和高计算成本之间取得平衡。现有的工作要么对搜索空间施加很强的限制，要么使用巨大的计算资源。在本文中，我们研究如何设计一个遗传编程方法优化的CNN的结构，为一个给定的任务，在有限的计算资源，但没有强加强限制的搜索空间。为了减少计算成本，我们提出了两个一般性的策略，观察到是有帮助的：（i）积极选择最强的个体生存和繁殖，并在很小的年龄杀死较弱的个体;（ii）增加突变频率，以鼓励多样性和更快的进化。与其他优化技术相结合的策略，使我们能够探索一个大的搜索空间，但负担得起的计算成本。我们在标准基准数据集（MNIST，SVHN，CIFAR-10，CIFAR-100）上的结果与计算成本显著降低的类似方法相比具有竞争力。
2018-06-03 cs.NE
Some Experiences with Hybrid Genetic Algorithms in Solving the Uncapacitated Examination Timetabling Problem
本文研究用两种局部搜索混合遗传算法求解无容量约束考试时间表问题，分别采用划分和优先级表示，实验表明局部搜索与混合策略相互促进，且两种算法性能与现有先进遗传型算法相当。
2023-06-01 cs.NE
Accelerating genetic optimization of nonlinear model predictive control by learning optimal search space size
Military Technical College（军事技术学院）
本文提出通过学习最优搜索空间大小来加速非线性模型预测控制的遗传优化，利用多元回归模型自适应预测搜索空间尺寸，减少计算时间17-45%，提高收敛率35-47%，并在三个非线性系统上验证了有效性。
2025-01-13 cs.CC cs.NE cs.RO
Why can genetic algorithms work in high-dimensional search spaces?
Molecular Foundry, Lawrence Berkeley National Laboratory（分子发现中心，劳伦斯伯克利国家实验室）
本文证明精英(1+M)遗传算法在小突变极限下等价于带各向异性高斯白噪声的裁剪梯度下降，解释了遗传算法无需显式计算梯度即可沿损失梯度下降，且其减速由Hessian矩阵的有效秩控制，而非参数数量，从而解释了其在高维空间中的可扩展性。
2026-09-29 cond-mat.stat-mech cs.NE
Temporal Heterogeneity Improves Speed and Convergence in Genetic Algorithms
近几十年来，遗传算法已被用于解决各种各样的搜索问题。这些算法模拟自然选择，探索参数空间，为各种各样的问题寻找解决方案。在本文中，我们探讨了在遗传算法中引入时间异质性的影响。特别地，我们将交叉概率设置为与个体的适应度成反比，即，较好的解比适应度较低的解变化得慢。作为案例研究，我们应用异质性来解决$N$皇后和旅行推销员问题。我们发现，时间的异质性不断提高搜索，而没有先验知识的参数空间。
2022-02-02 cs.NE
Survey of Genetic and Differential Evolutionary Algorithm Approaches to Search Documents Based On Semantic Similarity
School of EECS, College of Engineering and Mines, University of North Dakota（电子工程与科学学院，工程与采矿学院，北达科塔大学）
本综述探讨了在海量数据中基于语义相似性搜索文档的挑战，重点总结了遗传算法与差分进化算法等进化计算方法在该领域的最新进展。
2025-07-15 cs.AI cs.NE
Viral Search algorithm
本文在简要介绍了遗传算法及其作用的基础上，提出了一种称为病毒搜索的遗传算法。我们提出的关键概念，我们正式推导出的算法，我们进行数值试验，旨在说明的潜力和限制。
2016-06-14 cs.NE
A philosophical essay on life and its connections with genetic algorithms
本文提出了一些生活和遗传和进化算法研究的各个方面之间的联系。具体来说，它涉及的主题的适应，多目标优化，决策，欺骗和搜索运营商，等等。它认为，人的生命，从出生到死亡，是一个适应性或动态优化问题，人们不断寻求幸福。更重要的是，这篇论文推测，遗传算法可以作为一种灵感来源，帮助人们在日常生活中做出决定。
2004-02-20 cs.NE
Quality Diversity Genetic Programming for Learning Scheduling Heuristics
本文提出一种面向动态调度问题的质量多样性遗传编程框架，通过构建行为地图来发现和维护多样化调度启发式，并在固定与动态训练实例上验证了地图演化及解分布随时间的变化。
2025-07-03 cs.NE
Algoritmos Genéticos Aplicado ao Problema de Roteamento de Veículos
通过车辆为客户提供服务的公司经常面临路由问题。尽管最近在组合优化方面取得了进展，但这样的问题具有挑战性的结构来优化。本计画的主要目的是研究并提出车辆路径问题的最佳化演算法。重点将放在问题的变化，其中的路线的长度是由一个常数的限制。一个真正的问题将得到解决：邮递员路线的优化。这种问题被建模为路线图中的{多目标}，每天有25辆车和{30，000次交付}。
2018-08-31 cs.NE
The Influence of Local Search over Genetic Algorithms with Balanced Representations
我们继续研究遗传算法（GA）在组合优化问题的候选解决方案需要满足平衡约束。已经观察到，由ad-hoc交叉和变异算子授予的搜索空间大小的减小通常不转化为GA性能的实质性改善。对于这种现象仍然没有明确的解释，尽管有人怀疑平衡的表示可能会产生更不规则的适应度景观，其中GA可能更难以收敛到全局最优值。在本文中，我们研究这个问题，通过增加一个局部搜索步骤的GA与平衡运营商，并使用它来发展高度非线性平衡布尔函数。特别地，我们围绕两个研究问题组织我们的实验，即局部搜索（1）是否提高了GA的收敛速度，以及（2）是否降低了种群多样性。令人惊讶的是，虽然我们的研究结果肯定地回答了第一个问题，但它们也表明，添加本地搜索实际上\emph{increases}了种群中个体之间的多样性。我们将这些发现链接到最近的一些结果健身景观分析问题的布尔函数。
2022-06-22 cs.NE
Higher-Order Quantum-Inspired Genetic Algorithms
本文提出了一种理论和经验评估高阶量子遗传算法。介绍了该理论的基本概念，并提出了一种新型的二阶量子启发遗传算法（QIGA 2）。与将量子基因表示为独立量子位的所有QIGA算法相反，在高阶QIGA中，量子寄存器用于表示基因串，其允许使用量子现象对基因关系进行建模。对20个欺骗性组合优化问题进行了性能比较。已经提出，使用更高的量子阶数有利于遗传算法的效率，并且新的QIGA2算法优于在高计算密集型元优化过程中调整的旧QIGA算法。
2014-07-02 cs.NE quant-ph
Fitness Landscape Analysis of Dimensionally-Aware Genetic Programming Featuring Feynman Equations
遗传编程是一种常用的符号回归技术：从未知函数中找到与数据匹配的符号表达式。为了使符号回归更有效，还可以使用约束方程的物理单位的维度感知遗传编程。然而，没有正式的分析维度意识在回归过程中有多大帮助。在本文中，我们进行了适应度景观分析dimensionallyaware遗传编程搜索空间的一个子集的方程从理查德费曼著名的讲座。我们定义了一个初始化过程和一个附带的一组邻域运营商进行本地搜索的物理单位的限制。实验结果表明，增加的变量维数信息可以有效地指导搜索算法。尽管如此，需要进一步分析维度感知和标准遗传编程景观之间的差异，以帮助设计用于维度感知回归的高效进化算子。
2020-04-27 cs.NE
The Effects of Population Size on the Performance of BEAGLE GPU-Based Genetic Programming Runs
Michigan State University（密歇根州立大学）；Noblis（诺布利斯）
研究探讨了GPU支持下种群规模对符号回归问题训练成功的影响，发现某些问题受益于狭窄深度搜索，而其他问题受益于广度浅层搜索，同时探索了逐步变化的种群规模以平衡搜索广度和深度。
2026-04-27 cs.NE
Learning Semantics-aware Search Operators for Genetic Programming
Poznan University of Technology（波兹南理工大学）
本文提出一种语义感知搜索算子，利用图神经网络建模程序指令与数据的交互并生成节点显著性图，引导遗传编程搜索潜在高质量解，在符号回归基准上优于传统树基遗传编程及其消融变体。
2025-02-06 cs.LG cs.NE
Neural Architecture Search based on Cartesian Genetic Programming Coding Method
神经架构搜索（NAS）是自动化机器学习领域的一个热门话题，在相当多的机器学习任务上，它在设计神经架构方面优于人类。受笛卡尔遗传编程（CGP）神经网络自然表示形式的启发，提出了一种基于CGP的进化NAS方法（CGPNAS）来解决句子分类问题。为了在CGP框架下对体系结构进行进化，将卷积等运算识别为CGP的功能节点类型，并基于进化策略设计了进化运算。实验结果表明，搜索到的架构与人类设计的架构的性能相当。我们验证了我们的进化架构的域转移的能力。传递实验结果表明，精度损失小于2- 5%。最后，消融研究将注意力功能确定为单个关键功能节点，并且沿着线性变换可以保持与完全进化的架构相似的精度，这值得在未来进行研究。
2021-09-28 cs.NE
Combining LLMs and Genetic Search for ARC-AGI-2
本文结合LLM生成初始程序与遗传算法演化，通过紧凑DSL提升ARC-AGI-2任务解决率，从3.3%提升至10.0%，证明遗传搜索能有效增强LLM输出。
2026-09-24 cs.AI cs.NE
The First Proven Performance Guarantees for the Non-Dominated Sorting Genetic Algorithm II (NSGA-II) on a Combinatorial Optimization Problem
École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）；CNRS（法国国家科学研究中心）；Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）
本研究首次证明了NSGA-II在NP完全双目标最小生成树问题上的性能保证，同时改进了全局SEMO算法的相关分析，证实多目标进化算法并行寻优的特性。
2023-06-09 cs.AI cs.DS cs.NE
A Genetic Algorithm for Obtaining Memory Constrained Near-Perfect Hashing
在大多数计算机科学领域，从操作系统组件到数据库和用户界面，经常遇到从固定集合中快速检索项目的问题。我们提出了一种基于哈希表的方法，重点是最小化搜索过程中执行的比较次数和最小化总集合大小。标准的开放寻址双散列方法通过非线性变换得到改进，该非线性变换可以被参数化以确保数据在哈希表中的均匀分布。采用遗传算法确定最优参数。论文结果表明，近似完美散列比二进制搜索更快，但比完美散列使用更少的内存，对于搜索时间也很关键的内存受限应用程序来说是一个很好的选择。
2020-07-16 cs.NE
Neural Network Architecture Search with Differentiable Cartesian Genetic Programming for Regression
设计复杂的神经网络架构的能力，使有效的训练随机梯度下降已在深度学习领域的许多成就的关键。然而，开发这样的架构仍然是一个充满挑战和资源密集型的过程，充满了反复试验。总而言之，网络拓扑结构与其数据建模能力之间的关系仍然知之甚少。我们建议编码神经网络与笛卡尔遗传编程（dCGPANN）的可微变体，并提出了一个模因算法的架构设计：本地搜索与梯度下降学习网络参数，而进化算子作用于dCGPANN基因塑造网络架构，朝着更快的学习。研究这样的学习方案的一个特定实例，我们能够通过学习如何重新布线和修剪链接，适应激活函数，并为选定的回归任务引入跳过连接来改进起始前馈拓扑。演进的网络架构需要更少的空间用于网络参数，并且在给定相同的时间量的情况下，平均误差显著更低。
2019-07-03 cs.NE
DCL-GPGLS: Dynamic Curriculum Learning for Genetic Programming Guided Local Search in Large-Scale Vehicle Routing
School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学工程与计算机科学学院）
针对大规模车辆路径问题，提出DCL-GPGLS动态课程学习方法，基于种群解质量在线估计实例难度并安排训练批次，在CVRPLIB X集上取得最优平均排名和成本。
2026-09-22 cs.NE
Whitehead method and Genetic Algorithms
本文讨论了组合群论的基本算法之一Whitehead算法的一种遗传形式（GWA）。事实证明，GWA是令人惊讶的速度和优于标准的Whitehead的算法在自由群的排名>= 5。实验与GWA，我们收集了一个有趣的数值数据，阐明了时间复杂性的怀特黑德的问题一般。这些实验使我们得出了几个数学公式。如果得到证实，它们将揭示怀特海方法的隐藏机制和自由群中自守轨道的几何结构。
2003-04-20 cs.NE cs.SC math.GR
Genetic Algorithm for Constrained Molecular Inverse Design
Sejong University（世宗大学）；Electronics and Telecommunications Research Institute（电子通信研究院）
当遗传算法找到近似解时，它适合于探索大的搜索空间。正是由于这一优点，遗传算法在探索分子搜索空间这样的广阔未知空间时是有效的。虽然该算法适用于搜索广阔的化学空间，但很难在保持分子结构的同时优化药理学性质。为了解决这个问题，我们引入了一个遗传算法具有约束的分子逆向设计。该算法成功地产生有效的分子交叉和变异。此外，它优化了特定的属性，同时坚持使用两阶段优化的结构约束。实验证明，我们的算法有效地找到满足特定性质的分子，同时保持结构约束。
2021-12-23 cs.AI cs.LG cs.NE
A Hybrid Genetic Algorithm with Type-Aware Chromosomes for Traveling Salesman Problems with Drone
针对带无人机旅行商问题（TSPD）和飞行伙伴旅行商问题（FSTSP），提出一种结合局部搜索与动态规划的混合遗传算法，通过类型感知染色体分别生成卡车与无人机序列，在多数基准实例上优于现有算法并刷新多项最优解。
2024-04-30 cs.NE
Hybrid Genetic Search for the CVRP: Open-Source Implementation and SWAP* Neighborhood
车辆路径问题是组合优化研究的热点问题之一，具有重要的实用价值和方法论意义。然而，尽管方法学取得了广泛的进展，但最近的许多研究都受到了简单有效的开源解决方案方法的限制。考虑到当前算法的复杂性，重新实现正在成为一项困难而耗时的工作，需要对细节进行广泛的关注才能真正成功。在此背景下，我们利用这篇短文的机会，介绍了一个简单的-开源-实现的混合遗传搜索（HGS）专门的能力限制车辆路径问题（CVRP）。这种最先进的算法使用与Vidal等人（2012）相同的一般方法，但也包括过去十年研究中的其他方法改进和经验教训。特别是，它包括一个称为SWAP* 的额外邻域，该邻域包括在不同路由之间交换两个客户，而无需插入到位。正如我们的研究所强调的，有效地探索SWAP* 移动对本地搜索的性能有很大的贡献。此外，正如在Uchoa et al.（2017）的经典实例上与其他最近方法的实验比较中所观察到的那样，HGS仍然是解决方案质量，收敛速度和概念简单性方面的领先元启发式算法。
2021-10-12 cs.NE
GAAF: Searching Activation Functions for Binary Neural Networks through Genetic Algorithm
Zhejiang University（浙江大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
二进制神经网络（BNN）在边缘设备和移动系统等成本和功耗受限的领域显示出良好的应用前景。这是因为它的计算和存储需求显著减少，但代价是性能下降。为了缩小精度差距，在本文中，我们提出了一个补充激活函数（AF）之前的符号为基础的二值化，并依靠遗传算法（GA）自动搜索理想的AF。这些AF可以帮助在前向传递中从输入数据提取额外信息，同时允许在后向传递中改进梯度近似。通过我们基于遗传算法的搜索识别出了15个新的AF，而在不同的数据集和网络模型上测试时，其中大多数AF的性能都有所提高（在ImageNet上高达2.54%）。我们的方法提供了一种新的方法来设计通用和特定应用的BNN架构。我们的代码可在http://github.com/flying-Yan/GAAF上获得。
2022-06-05 cs.LG cs.NE
GP-CNAS: Convolutional Neural Network Architecture Search with Genetic Programming
卷积神经网络（CNN）在解决视觉识别、语音识别和自然语言处理等难题方面是有效的。然而，性能的提高是以设计更深的CNN架构时费力的试错为代价的。在本文中，遗传编程（GP）框架卷积神经网络架构搜索，简称为GP-CNAS，提出了自动搜索最佳的CNN架构。GP-CNAS将CNN编码为树，其中叶节点（GP终端）是选定的残留块，非叶节点（GP函数）指定块组装过程。我们的基于树的表示，使遗传算子的设计和灵活的实施。具体来说，我们设计了一个动态交叉算子，在探索和利用之间取得平衡，强调CNN的复杂性在早期阶段和CNN的多样性在后期阶段。因此，可以在有限的试验中找到具有平衡的深度和宽度的期望的CNN架构。此外，我们的GP-CNAS框架也与其他手动设计和NAS生成的块类型高度兼容。在CIFAR-10数据集上的实验结果表明，GP-CNAS在自动和半自动NAS算法中具有较强的竞争力。
2018-11-26 cs.NE stat.ML
Genetic Programming with Behaviour-based Niching for Learning Guided Local Search in Vehicle Routing Problems
School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学工程与计算机科学学院）
针对GPGLS学习车辆路径问题引导局部搜索时仅靠适应度管理多样性不足的问题，提出基于行为小生境的BN-GPGLS，用算子级描述符表征程序并选档案父代，实验表明BN-Adaptive排名最优且能减小程序规模。
2026-09-22 cs.NE
Reconstruction of Electrical Impedance Tomography Using Fish School Search, Non-Blind Search, and Genetic Algorithm
电阻抗断层成像（EIT）是一种不使用电离辐射的非侵入性成像技术，在环境科学和健康领域都有应用。图像重建是通过求解一个反问题和不适定的。进化计算和群体智能已经成为求解反问题的方法之源。鱼群搜索是一种基于鱼群动态的搜索和优化方法。本文提出了一种基于频率选择支持和非盲搜索的EIT图像重建方法。该方法进行了评估，使用数值幻影组成的电导率图像与主题的中心，中心和边缘之间的圆形截面的边缘上，与网格的415个有限元。作者对每种配置进行了20次模拟。结果表明，FSS和FSS-NBS都能够比遗传算法更快地收敛。
2017-12-03 cs.NE eess.IV physics.med-ph
Evolving Order and Chaos: Comparing Particle Swarm Optimization and Genetic Algorithms for Global Coordination of Cellular Automata
Portland State University（波特兰州立大学）
我们采用两种进化搜索算法：粒子群优化（PSO）和遗传算法（GAs）的设计细胞自动机（CA），可以执行计算任务，需要全局协调。特别是，我们比较了粒子群算法和遗传算法的搜索效率适用于密度分类问题和新一代的“混沌”CA。我们的工作还介绍了一个新的变种PSO，二进制全局-局部PSO（BGL-PSO）。
2019-09-08 cs.AI cs.NE
Performance Analysis of Estimation of Distribution Algorithm and Genetic Algorithm in Zone Routing Protocol
本文采用分布估计算法代替遗传算法来求解移动自组网区域路由协议。它是一种进化方法，在网络规模增长和搜索空间增加时使用。当目的地在区域外时，应用EDA来找到具有最小成本和时间的路线。该方法的实现与遗传ZRP，即，GZRP和结果表明，所提出的方法具有更好的性能。由于该方法提供了一组到目的地的路径，因此它导致网络的负载平衡。由于EDA和GA都采用随机搜索的方法来达到最优点，搜索成本大大降低，特别是当数据量很大时。
2010-09-22 cs.NE
GEO satellites on-orbit repairing mission planning with mission deadline constraint using a large neighborhood search-genetic algorithm
提出了一种新的大邻域搜索-自适应遗传算法（LNS-AGA），用于求解任务期限约束下的多对多地球同步轨道（GEO）卫星在轨维修任务规划问题。在多对多的在轨修复场景中，多个服务航天器和目标卫星位于不同倾角、不同RAAN和不同真距平差的GEO轨道上。每一个维修航天器需要与目标卫星会合，在有限的燃料下执行维修任务。任务目标是在所有目标卫星都已修复的情况下，使所有维修航天器的总费用最小，找到各维修航天器的最优维修顺序和轨道交会时间。首先，提出了一种时间相关的轨道交会策略，该策略能够处理任务期限约束。此外，与现有策略相比，这也具有成本效益。基于该策略，将多对多的在轨维修任务规划模型简化为一个基于带时间窗车辆路径问题（VRPTW）模型的整数规划问题。为了在复杂的约束条件下有效地找到一个可行的最优解，设计了一种结合大邻域搜索过程的混合自适应遗传算法。在每一代遗传算法中对精英个体进行"破坏"和"修复"操作，以增强局部搜索能力。最后，通过不同场景下的仿真，验证了所提算法和轨道交会策略的有效性，其性能优于传统遗传算法。
2021-10-08 cs.NE cs.SY eess.SY
Genetic algorithms with DNN-based trainable crossover as an example of partial specialization of general search
ITMO University（圣彼得堡国立信息技术机械与光学大学）；St. Petersburg State University（圣彼得堡国立大学）；AIDEUS；Aix Marseille Université（艾克斯-马赛大学）；CNRS（法国国家科学研究中心）
普遍归纳法依赖于某种一般的搜索过程，这种过程注定是低效的。实现通用性和效率的一种可能性是将这个过程专门化。任何特定的狭窄任务。然而，完全的专业化，意味着直接从任务参数映射到解决方案（判别模型），而不搜索并不总是可能的。在本文中，一般搜索的部分专业化被认为是遗传算法（GAs）的形式与一个专门的交叉算子。我们执行这种想法的可行性研究，实现这样的运营商的形式，一个深前馈神经网络。将具有可训练交叉算子的GA与完全专业化的结果进行比较，完全专业化的结果也表示为深度神经网络。实验结果表明，专门的遗传算法可以更有效地比一般的遗传算法和判别模型。
2018-07-18 cs.AI cs.LG cs.NE
