Evolution is Still Good: Theoretical Analysis of Evolutionary Algorithms on General Cover Problems
近年来,进化算法的理论研究得到了蓬勃发展。许多这样的算法在运行时间和逼近比上都有理论保证。一些近似机制似乎固有地嵌入在许多进化算法中。在本文中,我们确定这样的关系,提出了一个统一的分析框架,广义简单多目标进化算法(GSEMO),并将其应用于最小重量一般覆盖问题。对于广泛的问题(包括最小次模覆盖问题,其中的次模函数是实值的,和最小连通支配集问题的潜在功能是非次模),GSEMO产生渐近紧逼近比在预期的多项式时间。
2022-10-03 cs.DM cs.NE
Parameterized Analysis of Multi-objective Evolutionary Algorithms and the Weighted Vertex Cover Problem
Kratsch和Neumann(2013)在参数化复杂性分析的背景下对经典顶点覆盖问题的进化多目标优化进行了严格的运行时分析。在本文中,我们将分析扩展到加权顶点覆盖问题,并提供了一个固定参数的进化算法关于OPT,成本的最优解的问题。此外,使用的多样性机制,我们提出了一个多目标进化算法,找到一个2-近似在期望的多项式时间,并引入一个基于种群的进化算法,找到一个$(1+\varepsilon)$ -近似在期望的时间$O(n\cdot 2^{\min \{n,2(1- \varepsilon)OPT \}} + n^3)$。
2016-04-06 cs.DS cs.NE
Machine learning for improving performance in an evolutionary algorithm for minimum path with uncertain costs given by massively simulated scenarios
在这项工作中,我们介绍了一个实施方案,其中机器学习技术有助于提高整体性能的进化算法的优化问题,即变化的强大的最小成本路径图。在这个大数据优化问题中,必须从一组可用的场景(由模拟过程生成)中获得在大多数场景中实现良好成本的路径。就计算资源而言,我们的进化算法最昂贵的任务是候选路径的评估:适应度函数必须计算每个生成场景中候选路径的成本。鉴于大量的场景,这个任务必须在分布式环境中实现。我们实现了梯度提升决策树来对候选路径进行分类,以识别出好的候选路径。不太好的候选人的成本只是预测。我们研究了训练过程、增益性能、精度和其他变量。我们的计算实验表明,在有限的精度损失的代价,计算性能显着提高。
2021-02-03 cs.NE stat.AP
A Flexible Evolutionary Algorithm With Dynamic Mutation Rate Archive
本文提出一种通过动态档案维护成功变异率的灵活进化算法,结合最小选择概率与停滞检测机制,在多个基准问题上取得接近或优于现有最佳方法的运行时间界限。
2024-04-05 cs.NE
A Parameterized Complexity Analysis of Bi-level Optimisation with Evolutionary Algorithms
近年来,双层优化问题在组合优化领域得到了越来越多的关注。通过本文,我们开始对双层优化问题的进化算法进行运行时分析。我们研究两个NP-难问题,广义最小生成树问题(GMST),和广义旅行商问题(GTSP)的参数化复杂性的背景下。对于广义最小生成树问题,我们分析了Hu和Raidl(2012)提出的两种方法,这些方法通过选择可能解的表示来区分彼此的簇的数量。我们的研究结果表明,一个(1+1)EA工作的跨越节点表示是不是一个固定参数的进化算法的问题,而全球结构表示,使解决问题的固定参数的时间。我们提出了硬的情况下,每种方法,并表明这两种方法是高度互补的证明,他们解决对方的硬的情况下非常有效。对于广义旅行商问题,我们分析了问题实例中的聚类数。我们的结果表明,(1+1)EA工作与全球结构表示是一个固定参数的进化算法的问题。
2014-01-09 cs.NE
Multifactorial Evolutionary Algorithm For Clustered Minimum Routing Cost Problem
Hanoi University of Science and Technology(河内理工大学);Tay Bac University(西北大学)
最小路由费用问题在理论和应用上都有着广泛的应用。由于CluMRCT是NP-Hard问题,近似方法是合适的,找到这个问题的解决方案。近年来,多因子进化算法(MFEA)已成为处理各种问题的最有效的近似算法之一。因此,本文研究应用MFEA求解CluMRCT问题。在建议的MFEA,我们专注于交叉和变异算子,创建一个有效的解决方案的CluMRCT问题在两个层次:第一级构建生成树的图在集群中,而第二级建立一个生成树的集群之间的连接。为了减少资源的消耗,我们还将介绍一种新的方法来计算成本的CluMRCT解决方案。该算法在多种类型的数据集上进行了实验。实验结果表明,该算法的有效性,部分大型实例
2019-12-23 cs.AI cs.DM cs.NE
Evolutionary algorithms
本手稿包含作者阅读的讲座课程“进化算法”的大纲。本课程涵盖了经典遗传算法和其他各种遗传算法,以及进化策略,遗传编程,禁忌搜索和一般的进化算法。对交叉算子的旋转性、模式定理、遗传算法的局部搜索性能以及进化算法的“几乎必然”收敛性等问题给出了完整的证明。文本是俄语的。
2022-03-30 cs.NE
An Evolutionary Approach towards Clustering Airborne Laser Scanning Data
在土地测量方面,由于采用了正射影像,并在稍后阶段采用了机载激光雷达激光扫描系统,地图的制作大大简化。虽然激光雷达系统的最初目的是确定地面海拔高度,但较新的全波系统提供了可用于分类地面覆盖类型和生成地图的额外信息。LiDAR产生的点云是巨大的多维数据集,需要按地面覆盖类别进行分组。我们提出了一种遗传算法,有助于这些数据集的分类,从而使它们可用于地图生成。一个关键特征是为主题量身定制的遗传算子和适应度函数。该算法相比,传统的k-means聚类。
2014-01-20 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
Runtime Analysis of Single- and Multi-Objective Evolutionary Algorithms for Chance Constrained Optimization Problems with Normally Distributed Random Variables
本文从理论上研究了机会约束优化中进化算法的运行时,针对正态分布随机变量引入权衡期望成本与方差的多目标及改进凸多目标方法,克服了单目标算法的指数级优化时间,并实验验证了其有效性。
2024-08-22 cs.NE
Improving Time and Memory Efficiency of Genetic Algorithms by Storing Populations as Minimum Spanning Trees of Patches
本文提出将遗传算法的种群存储为补丁的最小生成树,以高效重算适应度,在内存和计算成本上实现显著甚至渐近改进。
2023-06-29 cs.NE
Proven Advantage of Multiobjective Evolutionary Algorithms for Problems with Different Degrees of Conflict
School of Computer Science and Technology, International Research Institute for Artificial Intelligence, Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学深圳,计算机科学与技术学院,人工智能国际研究院)
本文通过对比不同冲突程度的问题,证明多目标进化算法在解决OneMaxMin_k问题时优于传统方法,且在不同冲突程度下均能高效求解。
2026-06-08 cs.NE
Triclustering of Gene Expression Microarray data using Evolutionary Approach
在三聚类中,正在创建一个子矩阵,该子矩阵在基因、条件和时间点方面表现出高度相似的行为。在该技术中,在某些条件下,在一些时间点片段中发现具有相同表达值的基因。在本文中,三聚使用进化算法实现了一个新的适应度函数组成的三维均方残差(MSR)和最小二乘近似(LSL)。其主要目标是找到具有最小重叠、低MSR、低LSL且几乎覆盖表达式矩阵的每个元素的三聚体,从而最小化总体适应值。为了改善算法的结果,引入了新的适应度函数来寻找高质量的三簇。从实验中观察到,使用EA的三簇产生了良好质量的三簇。实验在酵母菌数据集上进行。索引项-三聚类,遗传算法,均方残差,体积,权重,最小二乘逼近。
2018-05-14 cs.NE
On Proportions of Fit Individuals in Population of Evolutionary Algorithm with Tournament Selection
在本文中,我们考虑了一个非精英只变异进化算法(EA)的比赛选择的适应度模型。该模型提供了上限和下限的预期比例的个人与健身以上给定的阈值。在所谓的单调变异的情况下,得到的界限意味着,增加比赛的大小提高EA的性能。作为推论,我们得到了单峰函数随机局部搜索的指数消失尾界和2-SAT问题和E.巴拉斯
2016-08-26 cs.NE
Evolutionary Multi-Objective Optimization Framework for Mining Association Rules
Institute for Development and Research in Banking Technology(银行技术发展与研究院);University of Hyderabad(海得拉巴大学)
在本文中,两个多目标优化框架在两个变体(即,NSGA-III-ARM-V1,NSGA-III-ARM-V2;和MOEAD-ARM-V1,MOEAD-ARM-V2)从事务数据集中发现关联规则。第一个框架使用非支配排序遗传算法III(NSGA-III)和第二个框架使用基于分解的多目标进化算法(MOEA/D)来发现具有多样性、非冗余性和非支配性(具有高目标函数值)的关联规则。在这两个框架中,都不需要规定最低支持度和最低置信度。在第一种变体中,支持度、置信度和提升被认为是目标函数,而在第二种变体中,置信度、提升和兴趣度被认为是目标函数。这些框架在七种不同类型的数据集上进行了测试,其中包括两个真实的银行数据集。我们的研究表明,NSGA-III-ARM框架在大多数数据集的两个变体中都比MOEAD-ARM框架更好。
2020-03-20 cs.LG cs.NE
Wave Function Collapse Set Covering and the Hill Climbing Algorithm: A New, Fast Heuristic and Metaheuristic Pairing for the Minimum Set Cover Problem
本文提出了一种名为波函数坍缩集合覆盖(WFC-SC)的新型启发式算法,用于解决最小集合覆盖问题,并结合爬山元启发式算法以跳出局部最优,实验表明该算法在最优性和时间之间取得了更好的平衡。
2025-09-09 cs.NE math.OC
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
Evolutionary Optimization of High-Coverage Budgeted Classifiers
Wake Forest University(维克森林大学)
分类器通常用于时间受限的设置,其中必须快速将标签分配给输入。为了解决这些情况,预算多阶段分类器(MSC)通过一系列部分特征获取和评估步骤与早期退出选项处理输入,直到可以做出自信的预测。这允许快速评估,可以防止在时间关键的情况下进行昂贵的、不必要的特征获取。然而,性能的MSC是高度敏感的几个设计方面-使这些系统的优化是一个重要的,但困难的问题。为了近似一个最初棘手的组合问题,目前的MSC配置方法依赖于行为良好的代理损失函数占两个主要目标(处理成本,错误)。这些方法已被证明在许多情况下是有用的,但受到分析约束(凸性,平滑性等)的限制。并且不管理额外的性能目标。值得注意的是,这种方法没有明确说明实时检测系统的一个重要方面--“接受”预测的比率满足由风险规避监测器施加的某种置信度标准。本文提出了一种特定问题的遗传算法,EMSCO,它采用了终端拒绝选项的不确定性预测和对待MSC设计作为一个进化优化问题,具有不同的目标(准确性,成本,覆盖范围)。该算法的设计强调帕累托效率,同时尊重通过一个独特的标量聚合性能的概念。实验证明了EMSCO在各种Theta(k^n)解空间中找到全局最优解的能力,多个实验表明EMSCO与其他预算方法相比具有竞争力。
2021-12-03 cs.LG cs.NE
Rigorous Runtime Analysis of MOEA/D for Solving Multi-Objective Minimum Weight Base Problems
The University of Adelaide(阿德莱德大学);University of Minnesota Duluth(明尼苏达大学德卢斯分校)
本文针对多目标最小权基问题证明非支配前沿凸包性质,并首次严格分析MOEA/D的运行时间,表明其可在固定参数多项式期望时间内找到所有极点,实验验证其优于GSEMO。
2023-06-06 cs.AI cs.DS cs.NE
Parameterized Runtime Analyses of Evolutionary Algorithms for the Euclidean Traveling Salesperson Problem
参数化运行时分析试图了解问题结构对算法运行时的影响。在本文中,我们有助于进化算法的理论理解,并进行了参数化分析的进化算法的欧几里德旅行商问题(欧几里德TSP)。我们调查的TSP实例中的结构属性,影响进化算法的优化过程,并使用这些信息来约束简单的进化算法的运行时间。我们的分析研究的运行时间内点$k$的数量的依赖,并表明$(μ+ λ)$进化算法解决了欧几里得TSP在预期的时间$O((μ/λ) \cdot n^3γ(ε) + nγ(ε) + (μ/λ) \cdot n^{4k}(2k-1)!)$其中$γ$是一个函数的最小角度$ε$之间的任何三个点。最后,我们的分析提供了设计一个变异算子,提高了预期运行时间的上限的见解。我们发现,一个混合的突变策略,采用2-opt移动和置换跳跃的结果在上界的$O((μ/λ) \cdot n^3γ(ε) + nγ(ε) + (μ/λ) \cdot n^{2k}(k-1)!)$的$(μ+λ)$ EA。
2012-10-09 cs.DS cs.NE
Heuristic solutions to robust variants of the minimum-cost integer flow problem
Privredna banka Zagreb(萨格勒布商业银行);University of Zagreb, Faculty of Science(萨格勒布大学理学院)
本文讨论了鲁棒优化应用于网络流。最小费用整数流问题的两个强大的变种。因此,在问题制定的不确定性是有限的弧单位成本和明确给定的情况下表示。结果表明,这两个问题的变种是NP-困难的。为了解决所考虑的变量,提出了几种基于局部搜索或进化计算的算法。在适当的问题实例上进行实验评估。
2019-07-21 cs.AI cs.NE math.OC
An Indirect Genetic Algorithm for Set Covering Problems
School of Computer Science, University of Nottingham(诺丁汉大学计算机学院)
提出了一种求解集合覆盖问题的新型遗传算法。它不同于以前的进化方法,因为它是一个间接的算法,即实际的解决方案是由一个外部解码器功能。遗传算法本身为该解码器提供解变量和其它参数的排列。其次,它将表明,结果可以通过添加另一个间接优化层进一步改善。解码器不会直接寻找低成本的解决方案,而是以良好的可利用解决方案为目标。然后通过另一种爬山算法对这些进行后期优化。虽然看起来更复杂,我们将表明,这三个阶段的方法具有优势的解决方案的质量,速度和适应性的新类型的问题,更直接的方法。广泛的计算结果,并比较最新的进化和其他启发式方法相同的数据实例。
2008-03-20 cs.AI cs.NE
Devolutionary genetic algorithms with application to the minimum labeling Steiner tree problem
Mahidol University International College(玛希隆大学国际学院);Business Administration Division(工商管理系)
本文描述和讨论了进化遗传算法,并评估其性能在解决最小标记Steiner树(MLST)问题。我们将退化算法定义为通过随着时间的推移退化超优不可行解群体来达到可行解的过程。我们声称,区分它们与广泛使用的进化算法是相关的。最重要的区别在于,在前一种类型的过程中,值函数随着连续生成的解而减小,从而为计算过程提供了自然停止条件。我们展示了如何经典的进化概念,如交叉,突变和健身可以适应的目的是达到最佳或接近最佳的解决方案之间的第一代可行解。我们还介绍了一种新的整数线性规划制定的MLST问题和一个有效的约束,用于加快发展的过程。最后,我们进行了一个实验,比较性能的演化算法的最先进的方法用于解决随机生成的MLST问题的实例。本实验的结果支持使用演化算法的MLST问题和其他NP-难组合最优化问题的发展。
2020-04-18 cs.AI cs.NE math.CO