Evolutionary solving of the debts' clearing problem
债务清偿问题是关于清偿一组n个实体（个人、公司等）的所有债务。使用最少数量的货币交易操作。该问题在强意义下是NP难的。对于许多棘手的问题，来自人工智能领域的技术在为大输入找到接近最优的解决方案方面是有用的。提出了一种求解债务清偿问题的进化算法。
2014-02-26 cs.AI cs.NE
Focusing on the Hybrid Quantum Computing -- Tabu Search Algorithm: new results on the Asymmetric Salesman Problem
TECNALIA, Basque Research and Technology Alliance (BRTA)（特克纳利亚，巴斯克研究与技术联盟（BRTA））；Instituto Ibermatica de Innovacion（伊贝尔马蒂卡创新研究所）
量子计算是一种新兴的范式，在当前的科学和技术界聚集了大量的人气。量子计算被广泛认为是计算的下一个前沿，但它仍处于发展的黎明。因此，当前的求解系统在性能和能力方面受到显著的限制。为了克服这些障碍，研究人员和实践者已经设计了一些有趣的方法，量子经典混合算法是最常用的解决方案之一。本文的主要目标是扩展最近提出的混合量子计算-禁忌搜索算法的结果和发现的划分问题。为了做到这一点，我们专注于我们的研究适应这种方法的非对称旅行商问题。总体而言，我们采用了六个著名的实例属于TSPLIB评估性能的量子计算-禁忌搜索算法相比，QBSolv，一个国家的最先进的分解求解器。此外，作为一个额外的贡献，这项工作还假设使用量子计算为基础的方法的非对称旅行商问题的第一个解决方案。为了促进整个社区在QC方面的研究，我们已经将项目的资源库作为开源代码发布，以供进一步应用和改进。
2021-05-03 cs.AI quant-ph
Optimization Problem Solving Can Transition to Evolutionary Agentic Workflows
Tongji University（同济大学）；East China Normal University（华东师范大学）；University of Minnesota（明尼苏达大学）
本文提出用基础模型与进化搜索驱动的进化式智能体工作流替代依赖专家的传统优化流程，并通过云资源调度和ADMM参数自适应案例验证其可行性。
2025-05-07 cs.AI math.OC
CP-MDP: A CANDECOMP-PARAFAC Decomposition Approach to Solve a Markov Decision Process Multidimensional Problem
Pontifical Catholic University of Rio Grande do Sul (PUCRS)（南里奥格兰德天主教大学）
马尔可夫决策过程（MDP）是随机环境中决策理论代理最优规划的基础模型。虽然许多研究都集中在解决MDP问题的表格形式或使用因子表示，没有集中在张量分解方法。使用张量代数求解MDP提供了利用基于张量的计算的进步来进一步提高求解器效率的前景。在本文中，我们开发了一个多维问题的MDP求解器，使用张量分解方法来压缩转换模型，优化值迭代和策略迭代算法。我们根据经验评估我们的方法对表格方法，并表明我们的方法可以计算更大的问题，使用更少的内存，开辟了新的可能性，基于张量的方法在随机规划
2021-02-27 cs.AI
EvoAgent: Towards Automatic Multi-Agent Generation via Evolutionary Algorithms
Fudan University（复旦大学）；Microsoft Research Asia（微软亚洲研究院）
EvoAgent提出用进化算法将专用智能体自动扩展为多智能体系统，通过变异、交叉、选择等算子生成多样化智能体，显著提升LLM智能体的任务解决能力并适用于任意框架。
2025-03-10 cs.AI
A Systematic Survey on Large Language Models for Evolutionary Optimization: From Modeling to Solving
该综述聚焦进化优化，通过工作流框架系统回顾相关进展，将文献分为优化建模与求解两阶段，求解阶段再分三类范式，分析方法、局限性及与传统方法关系，还给出基准、比较及应用，并指出研究方向。
2026-07-07 cs.AI cs.NE
Solving Combinatorial Optimization problems with Quantum inspired Evolutionary Algorithm Tuned using a Novel Heuristic Method
Dayalbagh Educational Institute (Deemed University)（达亚尔巴格教育学院（ deemed大学））；Amity University Uttar Pradesh（阿米蒂北方邦大学）；Amity School of Engineering and Technology（阿米蒂工程技术学院）
量子进化算法是在十多年前提出的，并已被用于解决各种困难的搜索和优化问题。已经提出了许多修改来提高规范QEA的性能。然而，规范QEA是为数不多的进化算法之一，它使用的搜索算子的参数相对较大的数量。众所周知，进化算法的性能取决于给定问题的参数的特定值。在算子中具有大量参数的优点是，即使使用单个算子，也可以使搜索过程更强大，而不需要组合其他算子进行勘探和开发。然而，具有大量参数的算子的调整是复杂的并且计算昂贵的。本文提出了一种新的探试法来调整规范QEA的参数。在一类离散组合优化问题上，优化后的QEA性能优于规范QEA，验证了所提出的参数调整框架的设计。所提出的框架可以用于调整其他算法与大量和少量的可调参数。
2019-09-17 cs.AI cs.NE
Iterated Tabu Search Algorithm for Packing Unequal Circles in a Circle
Huazhong University of Science and Technology（华中科技大学）；Simon Fraser University（西蒙弗雷泽大学）
本文提出了一种迭代禁忌搜索算法（ITS-PUCC），用于求解圆中不等圆的填充问题。该算法利用了不等圆装箱问题的连续性和组合性。它使用连续的局部最优化方法来生成局部最优填充。同时，通过两种适当的扰动移动，在局部极小值点集上建立邻域结构，并结合禁忌搜索和迭代局部搜索两种组合最优化方法，系统地搜索好的局部极小点。对两组广泛使用的测试实例的计算实验证明了该方法的有效性和高效性。对于来自著名的圆形包装比赛的第一组46个实例和文献中广泛使用的第二组24个实例，该算法能够分别发现14个和16个比以前最好的记录更好的解决方案。
2013-06-04 cs.AI math.OC
Probability Learning based Tabu Search for the Budgeted Maximum Coverage Problem
Huazhong University of Science and Technology（华中科技大学）；Institut Universitaire de France（法国大学研究院）
背包问题是经典的模型，可以制定广泛的应用。在这项工作中，我们处理的最大覆盖问题（BMCP），这是一个广义的0 - 1背包问题。给定一组具有非负权重的物品和一组具有非负利润的元素，其中每个物品由元素的子集组成，BMCP的目标是将物品的子集包装在容量受限的背包中，使得所选物品的总重量不超过背包容量，并且相关元素的总利润最大化。请注意，每个元素只计数一次，即使它被覆盖多次。BMCP与近年来得到广泛研究的集并背包问题（SUKP）密切相关。而作为SUKP问题的对应问题，BMCP早在1999年就被提出，但至今研究甚少，尤其是没有提出实用的算法。通过结合强化学习技术的局部搜索过程中，我们提出了一种基于概率学习的禁忌搜索（PLTS）算法来解决这个NP难问题。该算法迭代通过两个不同的阶段，即禁忌搜索阶段和基于概率学习的扰动阶段。由于文献中没有提出基准实例，我们生成了30个具有不同属性的基准实例。实验结果表明，我们的PLTS算法显着优于一般的CPLEX求解器解决具有挑战性的BMCP的解决方案的质量。
2020-07-12 cs.AI
Weak-Form Evolutionary Kolmogorov-Arnold Networks for Solving Partial Differential Equations
Purdue University, School of Mechanical Engineering（普渡大学机械工程学院）；Purdue University, Department of Mathematics（普渡大学数学系）
本文提出弱形式进化 Kolmogorov-Arnold 网络，用于高效求解偏微分方程，提升计算可扩展性和精度。
2026-02-19 cs.AI cs.LG
Cognitive Architecture for Co-Evolutionary Hybrid Intelligence
Saint-Petersburg Electrotechnical University 'LETI'（圣彼得堡电工大学（LETI））
本文批判数据中心化AI难以实现强人工智能，提出协同进化混合智能概念，并设计一种将人类纳入问题解决回路的认知架构。
2022-09-05 cs.AI
A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization
Shenzhen University（深圳大学）；The Hong Kong Polytechnic University（香港理工大学）
近几十年来，多目标进化算法在求解多目标优化问题方面取得了很大的进展。然而，这些逐步改进的MOEA并不一定配备有可扩展的和可学习的问题解决策略，以应对不断增加的复杂性从不同方面带来的新的和巨大的挑战，主要包括昂贵的功能评估成本，许多目标，大规模搜索空间，时变环境和多任务。在不同的情况下，需要发散性思维来设计新的强大的MOEA，以有效地解决它们。在这种背景下，在演化计算领域，利用机器学习技术对可学习MOEA的研究受到了广泛的关注。本文首先对扩大规模的MOPs和可学习的MOEA进行了一般分类，然后分析了这些MOPs对传统MOEA构成的挑战。然后，我们综合概述了可学习MOEA在解决各种按比例放大MOP方面的最新进展，主要集中在四个有吸引力的方向（即，用于环境选择的可学习进化鉴别器、用于再生的可学习进化生成器、用于函数评估的可学习进化评估器、以及用于共享或重用优化经验的可学习进化转移模块）。可学习的MOEA的洞察力提供给读者作为在这一领域的努力的一般轨道的参考。
2023-02-27 cs.AI cs.NE
Boosting Binary Optimization via Binary Classification: A Case Study of Job Shop Scheduling
University of Tennessee（田纳西大学）
许多优化技术连续地评估解决方案，其中下一个评估候选者由先前评估的结果确定。例如，这些包括迭代法、“黑箱”优化算法、模拟退火、进化算法和禁忌搜索，仅举几例。当解决一个优化问题时，这些算法会评估大量的解，这就提出了以下问题：是否有可能使用这些解来了解最优解？在本文中，我们定义这个“学习”的问题，在逻辑回归模型，并探讨其预测精度计算。所提出的模型使用一组解决方案来预测最优解决方案的组成部分。为了说明这种预测的实用性，我们将逻辑回归模型嵌入到禁忌搜索算法中来求解作业车间调度问题。由此产生的框架是简单的实现，但提供了一个显着的提升标准禁忌搜索的性能。
2018-08-31 cs.AI math.OC
Efficient optimisation of structures using tabu search
University of Cambridge（剑桥大学）；UMIST（曼彻斯特理工大学）
本文提出了一种新的方法来优化的结构，使用禁忌搜索（TS）方法。TS是一种元启发式算法，它通过使用不同时间跨度的灵活内存周期来引导局部搜索方法走向全局最优解。结果是建立良好的十杆桁架问题，并发表在文献中的结果进行比较。在第一示例中，桁架被优化以最小化质量，并且结果与使用替代TS实现获得的结果进行比较。在第二个例子中，该问题有多个目标，这些目标使用博弈论复合成单个目标函数值。在一般情况下，结果表明，TS方法是能够解决结构优化问题，至少有效地作为其他数值优化方法。
2014-10-29 cs.AI cs.CE
Integrating Variable Reduction Strategy with Evolutionary Algorithm for Solving Nonlinear Equations Systems
Central South University（中南大学）；University of Alberta（阿尔伯塔大学）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）；Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）
非线性方程组在实际问题中有着广泛的应用，但由于其非线性和多重根的特点，也给求解带来了困难。进化算法（EA）具有全局搜索能力和在一次运行中同时定位NES的多个根的能力，是求解NES的方法之一。目前，大多数关于使用进化算法解决非进化问题的研究集中在转换技术和提高所使用的进化算法的性能。相比之下，NES的问题域知识在这项研究中，特别是调查，利用它，我们建议将变量减少策略（VRS）到EA解决NES。VRS充分利用了NES的表达系统，并使用了一些变量（即，核心变量）来表示其它变量（即，减少的变量）通过方程系统中存在的变量关系。该算法减少了部分变量和方程，缩小了决策空间，从而降低了问题的复杂性，提高了进化算法的搜索效率。为了测试VRS在处理NES方面的有效性，本文将VRS集成到两种现有的最先进的EA方法中（即，MONES和DRJADE）。实验结果表明，在VRS的辅助下，EA方法可以产生明显优于原始方法和其他比较方法的结果。
2020-07-13 cs.AI cs.NE
On Solving the Oriented Two-Dimensional Bin Packing Problem under Free Guillotine Cutting: Exploiting the Power of Probabilistic Solution Construction
Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Universität Wien（维也纳大学）
二维的【形】装箱问题是一个高度相关的组合优化问题。它们有大量的应用，例如，在运输或仓储的背景下，以及用于切割不同的材料，如玻璃，木材或金属。在这项工作中，我们处理的有向二维的【形】装箱问题下的自由断头台切割。在这个特定的问题中，一组定向的矩形项目，必须包装成一个最小数量的箱子的大小相等。在这项工作中提出的第一个算法是一个随机的多开始版本的建设性的一次通过启发式的文献。此外，我们建议使用这种随机的一次通过启发式的进化算法。这两种算法的结果进行了比较，从文献中的最佳方法。特别是进化算法相比，非常有利的，目前国家的最先进的方法。可以找到4个先前未解决的实例的最佳解决方案。
2012-09-05 cs.AI
Where the Really Hard Quadratic Assignment Problems Are: the QAP-SAT instances
Université du Littoral Côte d’Opale (ULCO)（滨海加来海峡大学（ULCO））；Edinburgh Napier University（爱丁堡龙比亚大学）
针对二次分配问题（QAP）的相变现象，提出基于子模性的QAP-SAT设计以刻画问题难度，经分支定界与禁忌搜索实验验证，两类临界参数高度相关，可预测困难实例。
2024-03-05 cs.AI
An Efficient Multi-objective Evolutionary Approach for Solving the Operation of Multi-Reservoir System Scheduling in Hydro-Power Plants
Universidad de Alcalá（阿尔卡拉大学）；Federal University of Rio de Janeiro（里约热内卢联邦大学）；Federal Center of Technology Education of Minas Gerais（米纳斯吉拉斯联邦技术教育中心）
本文研究了多水库系统梯级运行方案下的短期水电机组组合问题。为此，我们提出了一个新的数学模型，其目标是最大限度地提高总发电量的水电站在一个子日常操作，同时，最大限度地提高水库的总含水量（体积）。为了解决这个问题，我们讨论了多目标进化群杂交（MESH）算法，最近提出的多目标群体智能为基础的优化方法，取得了非常有竞争力的结果相比，现有的进化算法在特定的应用。MESH方法已被应用于寻找最佳的水排放量和发电量在最大水库体积的所有可能的组合涡轮机在水电站。MESH的性能进行了比较，如NSGA-II，NSGA-III，SPEA 2，和MOEA/D在一个现实的问题，考虑从水力发电能源系统的数据与两个级联的水力发电厂在巴西的著名的进化方法。结果表明，MESH在效率和准确性方面表现出优于其他多目标方法的性能，在进行的预测分析中每月提供412，500美元的利润。
2021-07-28 cs.AI cs.NE cs.SY
Evolutionary Optimization in an Algorithmic Setting
进化过程被证明是非常有用的解决优化问题。在这项工作中，我们建立了一个形式化的概念，合作和竞争的多个系统的工作朝着一个共同的优化目标的人口使用演化计算技术。进化算法比传统的递归算法具有更好的表达能力。本文提出了进化算法的三个子类：有界有限型、无界有限型和无限型。给出了上述类的完备性、最优性和搜索可判定性的一些结果。本文对进化图灵机模型进行了自然扩展，使人们能够用数学方法描述和研究优化种群的合作与竞争特性。
2006-11-16 cs.AI cs.NE
Adapting Heuristic Mastermind Strategies to Evolutionary Algorithms
University of Iceland（冰岛大学）；University of Granada（格拉纳达大学）
解决摄魂怪难题的艺术是由唐纳德·克努特（Donald Knuth）发起的，已经有30多年的历史了;尽管如此，它仍然在运筹学和计算机游戏期刊中受到了很大的关注，更不用说自然启发的随机算法文献了。在本文中，我们试图提出一种策略，将允许自然启发的算法获得的结果一样好的那些基于穷举搜索策略，为了做到这一点，我们首先审查，比较和改进目前的方法来解决这个难题，然后我们测试这些策略之一的估计分布算法。最后，我们试图找到一种策略，该策略不具有穷举性，并且可以包含在自然启发的算法（例如进化算法或粒子群算法）中。本文证明了通过将局部熵纳入进化算法的适应度函数，它成为一个更好的球员比随机的，并给出了一个经验法则，如何将最好的启发式策略的进化算法，而不会产生过多的计算成本。
2009-12-12 cs.AI cs.NE
EBIC.JL -- an Efficient Implementation of Evolutionary Biclustering Algorithm in Julia
AGH University of Science and Technology（AGH科技大学）；University of Pennsylvania（宾夕法尼亚大学）
双聚类是一种在表格数据中寻找局部模式的数据采掘技术，主要应用于生物信息学。该技术在多个领域显示出前景，包括开发癌症生物标志物、疾病亚型鉴定或基因-药物相互作用等。在本文中，我们介绍EBIC.JL -Julia，一个现代的高度并行化的程序设计语言的数据科学中最准确的双聚类算法之一的实现。我们表明，新版本保持相当的准确性，其前身EBIC，同时收敛速度更快的大多数问题。我们希望，这一采用高级程序设计语言的开源软件将促进生物信息学这一有前途领域的研究，并加快开发新的大数据双聚类方法。
2021-05-03 cs.AI cs.DC cs.LG
Physics-Informed Evolution: An Evolutionary Framework for Solving Quantum Control Problems Involving the Schrödinger Equation
University of Science and Technology of China（中国科学技术大学）；Nankai University（南开大学）；National University of Singapore（新加坡国立大学）；Wenzhou University（温州大学）；Hanyang University ERICA Campus（汉阳大学ERICA校区）
本文提出物理信息演化框架，将物理定律信息融入进化算法适应度函数，用于求解量子控制问题，验证了该方法在三种基准测试中的有效性。
2026-03-26 cs.AI cs.SY eess.SY
Evolving Evolutionary Algorithms using Linear Genetic Programming
Babes-Bolyai University（巴比什-波雅依大学）
提出了一种新的进化算法模型。该模型是基于线性遗传编程（LGP）技术。每个LGP染色体编码一个用于解决特定问题的EA。几个进化算法的函数优化，旅行商问题，二次分配问题的进化使用所考虑的模型。数值实验表明，进化算法执行类似的，有时甚至比几个著名的基准测试问题的标准方法更好。
2021-08-21 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
Evolutionary Algorithm and Multifactorial Evolutionary Algorithm on Clustered Shortest-Path Tree problem
Quantitative Hedge Fund（量化对冲基金）；Faculty of Natural Science - Technology, Taybac University（太原大学自然科学与技术学院）；School of Information and Communication Technology, Hanoi University of Science and Technology（河内科技大学信息与通信技术学院）
在文献中，离散最短路径树问题（CluSPT）是一个NP难问题。以往的研究往往在相对较大的空间中寻找最优解。为了提高搜索过程的性能，提出了两种方法：第一种方法寻求解决方案作为一组边缘。从原图生成一个新的图，其顶点集的基数比原图小得多。因此，提出了一种有效的进化算法（EA）求解CluSPT。第二种方法寻找基于顶点的解决方案。CluSPT的搜索空间被转换成2个嵌套的搜索空间（NSS）。对于高层优化中的每个候选项，下层的搜索引擎将找到相应的候选项与之组合，以创建CluSPT的最佳解决方案。因此，嵌套局部搜索EA（N-LSEA）被引入到搜索最优解的NSS。在低层求解时，N-LSEA可以处理各种相似的任务。因此，多因子进化算法的应用，以提高这些优化的隐式遗传转移。建议的算法进行了一系列的数据集和所获得的结果表明，优越的效率相比，以前的科学工作。
2020-10-19 cs.AI cs.NE
Evolving Evolutionary Algorithms with Patterns
Babeş-Bolyai University（巴比什-博雅依大学）；Faculty of Mathematics and Computer Science（数学与计算机科学学院）
提出了一种新的进化算法模型。该模型是基于多表达式编程（MEP）技术。每个MEP染色体编码一种进化模式，这种模式被重复用于产生新一代的个体。演化模式被嵌入到用于解决特定问题的标准演化方案中。几个进化算法的函数优化的进化使用所考虑的模型。进化算法与人类设计的遗传算法进行了比较。数值实验表明，进化的进化算法可以与标准方法的几个著名的基准问题。
2021-10-10 cs.AI cs.NE
The Impact of Mutation Rate on the Computation Time of Evolutionary Dynamic Optimization
University of Science and Technology of China（中国科学技术大学）；Loongson Technologies Corporation Limited（龙芯技术有限公司）；University of Birmingham（伯明翰大学）
变异算子是进化算法中的一个重要算子。特别是，已经有许多实验研究表明，适应各种静态优化问题的突变率的有效性。考虑到自适应和自适应变异对静态优化问题的感知有效性，已经有人推测自适应和自适应变异可以使动态优化问题更加受益，因为自适应和自适应能够遵循动态环境。然而，很少有理论结果可用于分析严格的进化算法的动态优化问题。目前还不清楚自适应和自适应变异率可能是有用的进化算法在解决动态优化问题。本文提供了第一个严格的分析自适应变异及其对进化算法在解决某些动态优化问题的计算时间的影响。更具体地说，无论是基于个人和基于人口的EA，我们已经表明，任何随时间变化的突变率计划将不会显着优于固定的突变率在一些动态优化问题的实例。这些证明还提供了一些关于任何时变突变方案不太可能有用的条件以及问题特征和算法特征之间关系的见解（例如，不同的突变方案）。
2011-06-03 cs.AI cs.CC
Derivation of Upper Bounds on Optimization Time of Population-Based Evolutionary Algorithm on a Function with Fitness Plateaus Using Elitism Levels Traverse Mechanism
在这篇文章中，一个工具，用于分析人口为基础的EA是用来获得渐近上界的优化时间的算法解决皇家道路问题，测试功能与高原的适应度。除此之外，人口的某个子集的极限分布近似。
2013-08-30 cs.AI cs.NE
Evolutionary Multimodal Optimization: A Short Survey
University of Toronto（多伦多大学）
现实世界的问题总是有不同的解决方案。例如，光学工程师需要调整记录参数，以获得尽可能多的优化解决方案，为多次试验中的变线间距全息光栅的设计问题。不幸的是，大多数传统的优化技术集中在解决一个单一的最优解。这些问题需要多次求解，但不能保证所有的解都能找到，因此提出了多峰优化问题。在这个问题中，我们感兴趣的不仅是一个单一的最佳点，但也有其他。进化算法具有很强的并行搜索能力，在解决这类问题时特别有效。特别是多峰优化的进化算法通常不仅在一次运行中找到多个最优解，而且在整个运行过程中保持种群的多样性，从而使其具有对多峰函数的全局优化能力。此外，多峰优化的技术被借用作为多样性维护技术的其他问题。在这一章中，我们描述和审查国家的最先进的多峰优化的进化算法的方法，基准测试和应用。
2015-08-03 cs.AI cs.NE q-bio.QM
Edge-Selector Model Applied for Local Search Neighborhood for Solving Vehicle Routing Problems
IMT Atlantique（IMT阿蒂安蒂克）；Lab-STICC (UMR 6285, CNRS)（Lab-STICC（UMR 6285，CNRS））；Université Bretagne Sud（布列塔尼南部大学）
本研究提出一种混合机器学习与元启发式的机制，通过边缘选择器模型（含表格二进制分类器与图神经网络）识别局部搜索的禁止移动，在不同VRP变体及大规模数据集上提升了元启发式基线的性能。
2025-08-12 cs.AI cs.LG
COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary Multitasking
TECNALIA, Basque Research and Technology Alliance (BRTA)（西班牙国家技术中心，巴斯克研究与技术联盟）；University of the Basque Country (UPV/EHU)（巴斯克大学）；Middlesex University London（密德萨斯大学伦敦）；Universidad de Cantabria（坎塔布里亚大学）；Toho University（东邦大学）
多任务优化是一个新兴的研究领域，在科学界引起了广泛的关注。这种范式的主要目的是如何通过执行单个搜索过程来同时解决多个优化问题或任务。实现这一目标的主要催化剂是利用待优化的任务之间可能的协同作用和互补性，通过它们之间的知识转移相互帮助（因此被称为转移优化）。在这种情况下，进化多任务通过诉诸演化计算的概念来同时解决手头的任务，从而解决传输优化问题。这项工作通过提出一种处理多任务环境的新颖算法方案来推动这一趋势。提出的方法，被称为协同进化蝙蝠算法，发现它的灵感来自共同进化策略和元启发式蝙蝠算法的概念。我们比较了我们提出的方法的性能与其多因子进化算法对应的15个不同的多任务设置，由8个参考实例的离散旅行商问题。实验和结果支持本研究的主要假设：提出的协同进化蝙蝠算法是一个很有前途的元启发式解决进化多任务的情况。
2020-03-24 cs.AI cs.NE
Evolving Evolutionary Algorithms using Multi Expression Programming
Babes-Bolyai University（巴比什-波雅依大学）
进化算法的最优参数设置（即最优种群规模、最优变异概率、最优进化模型等）是一项困难的任务。而不是仅仅进化算法的参数，我们将进化出一个能够解决特定问题的整个EA。为此，使用了多表达式编程（MEP）技术。每个MEP染色体将编码多个EA。本文提出了一种用于函数优化的非分代EA。数值实验表明了该方法的有效性。
2021-08-22 cs.AI cs.NE
Cheating for Problem Solving: A Genetic Algorithm with Social Interactions
Complutense University of Madrid（马德里康普顿斯大学）；University of Nottingham（诺丁汉大学）
我们提出了一个标准的遗传算法，结合人口中的个人之间的社会互动的变化。我们的目标是了解社会系统的进化作用及其作为进化算法中的非遗传新步骤的可能应用。在生物种群中，即动物，甚至人类和微生物，社会互动往往会影响个体的健康。可以想象的是，通过社会互动的适应度扰动是一种进化策略，以避免陷入局部最优，从而避免人口的快速收敛。我们根据博弈论对社会互动进行建模。因此，种群由合作者和背叛者组成，他们的相互作用根据众所周知的博弈模型（囚徒困境，小鸡博弈等）产生收益。我们的背包问题的结果表明，对于一些游戏模型，一个显着的性能改善相比，标准的遗传算法。
2010-01-12 cs.AI cs.GT cs.NE
Feature Generation Using LLMs: An Evolutionary Algorithm Approach
University of Luxembourg（卢森堡大学）
该研究利用大语言模型解决表格数据特征生成问题，创建管道结合属性与提示生成新特征，经选择算法筛选，应用于八个不同数据集，结果显示语言模型生成的新特征有助于给定任务并提升分类效果。
2026-07-21 cs.AI cs.CL cs.LG
An Evolutionary-Based Approach to Learning Multiple Decision Models from Underrepresented Data
University of Bedfordshire（贝德福特大学）
使用多个决策模型（DM）能够提高决策的准确性，同时允许用户评估决策的置信度。在本文中，我们探讨了多个DM从少量验证数据中学习的能力。当数据样本难以收集和验证时，这一点变得很重要。我们提出了一个基于进化的方法来解决这个问题。所提出的技术进行检查的一些临床问题提出了少量的数据。
2008-05-24 cs.AI cs.NE
Comparing the Digital Annealer with Classical Evolutionary Algorithm
Fujitsu Research of Europe Ltd.（富士通欧洲研究有限公司）
在最近几年，已经有越来越多的研究兴趣，利用特定应用的硬件来解决优化问题。使用专用硬件的求解器的例子是IBM的Quantum System One和D-wave的Quantum Annealer（QA）和Fujitsu的Digital Annealer（DA）。这些求解器的开发是为了比在通用机器上实现的传统元算法更快地优化问题。以前的研究表明，这些求解器可以比精确求解器（如GUROBI和CPLEX）更快地优化许多问题。这样的结论还没有作出比较时，硬件求解器与经典的进化算法。传统的进化算法，如遗传算法（GA），和DA（或其他类似的求解器）之间进行公平的比较是具有挑战性的，因为后者受益于使用专用硬件，而进化算法往往是在通用机器上实现。此外，量子或量子启发的求解器仅限于以特定格式解决问题。二次无约束二进制优化（QUBO）。然而，许多优化问题是受约束的，并且具有非二进制的自然表示。将这样的问题转换为QUBO可能导致更多的问题难度和/或更大的搜索空间。在本文中解决的问题是量子或量子启发的求解器是否可以优化QUBO变换的组合优化问题的速度比经典的进化算法应用于相同的问题，在其自然表示。我们发现，DA往往提出更好的平均目标函数值比GA旅行推销员，二次分配和多维背包问题的实例。
2022-11-10 cs.AI cs.NE
Evolutionary Algorithms for Reinforcement Learning
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）；Naval Research Laboratory（美国海军研究实验室）；George Mason University（乔治梅森大学）
有两种不同的方法来解决强化学习问题，即在价值函数空间中搜索和在策略空间中搜索。时间差分方法和进化算法是这些方法的众所周知的例子。Kaelbling，Littman和Moore最近提供了一个翔实的调查时间差异的方法。这篇文章的重点是应用进化算法的强化学习问题，强调替代政策表示，信用分配方法，和特定问题的遗传算子。强化学习的进化方法的优点和缺点，以及代表性的应用调查。
2011-06-01 cs.AI cs.LG cs.NE
Multi-objective Evolutionary Merging Enables Efficient Reasoning Models
Sapienza University of Rome（罗马大学）；Independent Researcher（独立研究员）；EPFL（瑞士联邦理工学院洛桑）；NVIDIA（英伟达）
本文提出Evo-L2S框架，通过多目标优化解决长到短推理问题，减少生成推理轨迹长度同时保持或提升推理准确性。
2026-08-11 cs.AI cs.CL
3-SAT Problem A New Memetic-PSO Algorithm
EMU University（东地中海大学）
3-SAT问题在许多科学和技术应用中具有重要意义。本文提出了一种新的混合进化算法来解决这个可满足性问题。3-SAT问题具有巨大的搜索空间，因此被称为NP难问题。因此，确定性方法不适用于这种情况。因此，应用进化处理方法，特别是粒子群算法，将是解决这类问题的有效方法。本文介绍了一种新的进化优化技术，基于粒子群算法，Memetic算法和局部搜索方法。当一些竞争力混合时，它们的优势也被收集起来，我们可以达到更好的结果。最后，我们测试我们提出的算法在一些基准使用的一些其他可用的算法。实验结果表明，该方法在适当的时间内可以得到较好的结果。与现有的纯遗传算法和一些经过验证的算法相比，取得了较好的效果
2013-06-21 cs.AI cs.NE
First-Order Problem Solving through Neural MCTS based Reinforcement Learning
Northeastern University（东北大学）
一个解释的一阶逻辑（FOL）语句的形式语义可以用塔斯基语义学或基本等价的博弈语义学给出。后者将陈述和解释映射为两个玩家的语义游戏。许多组合问题可以使用解释的FOL语句来描述，并且可以映射到语义游戏中。因此，学习玩语义游戏可以完美地解决组合问题的特定实例。我们调整了AlphaZero算法，使其更好地学习玩具有不同特征的语义游戏，而不是围棋和象棋。我们提出了一个通用的框架，珀尔塞福涅，映射组合问题的FOL描述的语义游戏，使它可以通过基于神经MCTS的强化学习算法来解决。我们对Persephone的目标是使其成为白板，将解释FOL中陈述的问题映射到没有人为干预的解决方案。
2021-01-11 cs.AI cs.LG
Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics
AGH University of Science and Technology（AGH科技大学）；Tomas Bata University in Zlín（兹林托马斯·巴塔大学）
元优化算法是一种通用的优化算法，可以用来解决经典方法无法解决的难题。在本文中，我们的目的是构建新的社会认知元启发式的基础上种姓，并应用该算法的几个版本的时滞系统模型的优化。除了给出所提出的算法的背景和细节，我们将它们应用到优化的问题的选定的变体，并讨论结果。
2022-10-23 cs.AI cs.NE
The application of Evolutionary and Nature Inspired Algorithms in Data Science and Data Analytics
University of Georgia（佐治亚大学）；Florida International University（佛罗里达国际大学）
在过去的30年里，科学家们一直在探索自然，包括动物和昆虫，以及生物学，以发现，理解和模拟解决大规模科学挑战的解决方案。仿生学的研究揭示了自然界中发现的生物结构和功能如何改善了我们的现代技术。在这项研究中，我们提出了我们在数据科学和数据分析中的进化和自然启发算法应用的发现，涉及预处理，监督算法和无监督算法三个主要主题。在所有应用中，在这项研究中，我们的目标是研究四种优化算法，这些算法是在数据科学和分析中使用进化和自然启发算法执行的。预处理部分的特征选择优化，有监督算法中的超参数整定优化和知识发现优化，无监督算法中的聚类优化。
2022-02-06 cs.AI cs.NE
MODRL/D-EL: Multiobjective Deep Reinforcement Learning with Evolutionary Learning for Multiobjective Optimization
Sun Yat-sen University（中山大学）；Guangdong University of Finance and Economics（广东财经大学）
基于学习的算法求解组合优化问题近年来引起了学术界的广泛关注。虽然大多数现有的作品只考虑单目标问题与简单的约束，许多现实世界的问题有多目标的角度和包含丰富的约束条件。针对带时间窗的多目标车辆路径问题（MO-VRPTW），提出了一种多目标深度强化学习与进化学习算法相结合的方法。在该算法中，分解策略被应用到生成一组注意力模型的子问题。全面的上下文信息的引入，以进一步加强注意力模型。进化学习也被用来微调模型的参数。在MO-VRPTW实例上的实验结果证明了该算法相对于其他基于学习和迭代的方法的优越性。
2021-07-16 cs.AI cs.NE
An Evolutionary Framework for Automatic and Guided Discovery of Algorithms
Intel Corporation（英特尔公司）
本文介绍了自动算法发现器（AAD），一个进化的框架，综合程序的高复杂性。为了指导进化，以前的进化算法依赖于适应度（目标）函数，这是具有挑战性的设计。相反，为了取得进化的进展，AAD采用了问题导向进化（PGE），这需要同时引入一组问题。使用PGE，为简单问题发现的解决方案用于解决同一组中更复杂的问题。PGE还支持几种新的进化策略，并自然地屈服于高性能计算（HPC）技术。我们发现，PGE和相关的进化策略，使AAD发现类似或更高的复杂性相对于国家的最先进的算法。具体来说，AAD产生Python代码的29数组/向量的问题，从最小，最大，反向，更具有挑战性的问题，如排序和矩阵向量乘法。此外，我们发现，AAD显示出适应性约束的环境/输入，并展示了开箱即用的解决问题的能力。
2019-04-05 cs.AI cs.NE cs.PL
A Novel Surrogate-assisted Evolutionary Algorithm Applied to Partition-based Ensemble Learning
Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究中心）；Leiden University Medical Center（莱顿大学医学中心）；TU Delft（代尔夫特理工大学）
提出了一种新的代理辅助进化算法，用于求解昂贵的组合优化问题。我们集成了一个代理模型，这是用于适应值估计，到一个国家的最先进的P3-类变种的基因池最优混合算法（GOMEA），并适应所产生的算法解决非二进制组合问题。我们测试所提出的算法集成学习问题。集成多个模型是一种常见的机器学习技术，可以实现更好的性能。我们考虑在数据集的不相交子集上训练的几个模型的集合。寻找最佳的数据集划分自然是一个组合的非二进制优化问题。如果使用复杂模型（如深度神经网络）作为集成中的学习器，则适应度函数评估可能非常昂贵。因此，适应度函数评估的数量通常是有限的，需要昂贵的优化技术。在我们的实验中，我们使用五个分类数据集从OpenML-CC 18基准和支持向量机作为学习者的合奏。该算法表现出更好的性能比其他方法，包括贝叶斯优化算法。它设法找到更好的解决方案，使用几千个适应度函数评估多达500个变量的集成学习问题。
2021-04-16 cs.AI cs.LG cs.NE
A Survey and Analysis of Evolutionary Operators for Permutations
Stockton University（斯托克顿大学）
本文综述了用于解决组合优化问题的排列进化算子，在开源库Chips-n-Salsa中实现了这些算子，并在人工适应度景观上对交叉算子进行了经验分析。
2023-11-24 cs.AI cs.DM cs.NE
A State Aggregation Approach for Solving Knapsack Problem with Deep Reinforcement Learning
Eindhoven University of Technology（埃因霍温理工大学）
提出了一种求解背包问题的深度强化学习（DRL）方法。所提出的方法包括一个状态聚合步骤的基础上，表格强化学习提取特征和构造状态。将状态聚合策略应用于背包问题的每个问题实例，并与A2C算法一起训练一个策略，通过该策略在每个时间步依次选择项目。该方法是一个建设性的解决方案的方法，并选择项目的过程中重复，直到获得最终的解决方案。实验结果表明，该方法能为所有测试实例提供接近最优的解，性能优于贪心算法，并且能够处理更大的实例，比现有的DRL方法更灵活.此外，结果表明，所提出的模型与状态聚合策略不仅给出了更好的解决方案，而且学习在更少的时间步长，比没有状态聚合。
2020-04-25 cs.AI cs.LG cs.NE
Algorithm Discovery With LLMs: Evolutionary Search Meets Reinforcement Learning
EPFL（苏黎世联邦理工学院）；Apple（苹果公司）
提出通过强化学习微调持续优化大语言模型，结合进化搜索加速发现更优算法，在组合优化任务上验证有效性。
2025-08-04 cs.AI cs.LG cs.NE
