Evolutionary optimization of spatially-distributed multi-sensors placement for indoor surveillance environments with security levels
Federal University of Rio de Janeiro, Rio de Janeiro, 21941-617, Rio de Janeiro, Brazil（里约热内卢联邦大学）
本文提出了一种基于安全级别的室内监控多传感器空间分布优化算法，通过改进的编码和初始化方法提升性能和收敛速度，有效降低了部署成本。
2025-12-24 cs.NE
Distributed Evolutionary Graph Partitioning
本文提出了一种新的分布式进化算法KaFFPaE来解决图划分问题，它利用了KaFFPa（Karlsruhe Fast Flow Partitioner）。使用我们的多级图划分KaFFPa提供了新的有效的交叉和变异算子。通过将这些与可扩展的通信协议相结合，我们获得了一个系统，该系统能够在很短的时间内改善许多输入的最佳已知划分结果。例如，在Walshaw的著名基准表中，我们能够改进或重新计算具有1%、3%和5%不平衡的表的76%的条目。
2011-10-03 cs.DC cs.NE
EvoX: A Distributed GPU-accelerated Framework for Scalable Evolutionary Computation
针对现有进化计算基础设施难以支撑大规模问题求解、GPU加速库灵活性与架构鲁棒性不足的问题，研究团队提出分布式GPU加速框架EvoX，含50余种算法与丰富基准，性能优异且已开源。
2024-04-14 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
Browser-based distributed evolutionary computation: performance and scaling behavior
ad-hoc计算的挑战是找到一种有效利用空闲周期的方法，该方法考虑到设备的所有功能和可用的互连。在本文中，我们探讨分布式演化计算的基础上，Ruby on Rails框架，它覆盖了一个模型-视图-控制器上的演化计算。它允许任何拥有网络浏览器的人（即大多数连接到互联网的人）参与演化计算实验。使用一个简单的农业模型，我们考虑不同的因素，如使用的人口规模。我们最感兴趣的是它们如何影响性能，以及当非平凡数量的计算机应用于该问题时的缩放行为。实验表明，不同的数据包大小对性能的影响，以及一个相当有限的伸缩行为，由于服务器的特性。针对该问题提出了几种解决方案。
2007-01-18 cs.DC cs.NE
A Multi-objective Evolutionary Algorithm for EEG Inverse Problem
在本文中，我们提出了一个多目标的方法来解决脑电逆问题。该公式不需要涉及经验程序的未知参数。由于问题的组合性，该方法引入了进化策略，得到了一种基于解剖约束的多目标进化算法（MOEAAR）。将该方法与3种经典的正则化方法LASSO、Ridge-L和ENET-L进行了对比测试。在实验阶段，选择回归模型以获得稀疏和分布的解决方案。分析涉及不同信噪比（SNR）的模拟数据。质量控制指标为定位误差、空间分辨率和可见度。MOEAAR在最大激活的重建和定位方面比经典方法具有更好的稳定性。利用范数L0对稀疏解进行进化估计，得到了相关的结果。
2021-12-27 cs.NE
1st International Workshop on Distributed Evolutionary Computation in Informal Environments
IWDECIE研讨会的在线会议记录，于2011年6月5日在新奥尔良举行。研讨会的重点是非传统的生物启发算法及其概念的影响。
2011-06-02 cs.DC cs.ET cs.NE
Distributed Evolutionary k-way Node Separators
计算大型图中的高质量节点分隔符对于从分治算法到VLSI设计的各种应用都是必要的。在这项工作中，我们提出了一种新的分布式进化算法解决k路节点分离器的问题。我们的贡献的一个关键组成部分包括新的k路局部搜索算法的基础上最大流量。我们结合我们的本地搜索与多层次的方法来计算我们的进化算法的初始种群，并进一步展示了如何修改我们的多级算法的粗化阶段，以创建有效的组合和变异操作。最后，我们将这些技术与一个可扩展的通信协议相结合，产生一个能够在短时间内计算高质量解决方案的系统。我们对竞争算法的实验表明，我们的先进的进化算法计算94%的基准实例的最佳结果。
2017-02-06 cs.DC cs.DS cs.NE
Evolving a multi-population evolutionary-QAOA on distributed QPUs
该研究将进化算法与QAOA结合，提出分布式多群体策略，在Max-Cut问题上实现更高精度和更低方差，并验证于模拟器及IBM硬件。
2025-07-10 cs.NE quant-ph
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
Online Distributed Evolutionary Optimization of Time Division Multiple Access Protocols
随着廉价、小型化电子产品的出现，无处不在的网络已经达到了前所未有的复杂性、规模和异构性水平，成为智能工业、智能建筑和智能城市等现代应用的核心。网络性能的一个关键要素是协议栈，即确定网络中的节点如何交换信息的规则集和数据格式。从系统规范和对网络环境的严格假设出发，设计出形式化的技术来综合（离线）网络协议已经付出了很大的努力。然而，离线设计可能很难应用于大多数现代网络应用程序中，这要么是由于数值复杂性，要么是由于环境可能是未知的，规范可能不可用。在这些情况下，在线协议设计和适配有可能提供更具可扩展性和鲁棒性的解决方案。然而，到目前为止，只有少数尝试已经做了在线自动协议设计。在这里，我们设想一个协议作为一个网络的紧急属性，通过环境驱动的分布式爬山算法，使用节点本地增强信号的演变，在运行时，没有任何中央协调，从头开始的网络协议。我们测试这种方法与3状态时分多址（TDMA）媒体访问控制（MAC）协议，我们观察到它的出现在网络的各种规模和各种设置。我们还展示了分布式爬山如何在能耗和协议性能方面达到不同的权衡。
2022-04-27 cs.NE
On an Immuno-inspired Distributed, Embodied Action-Evolution cum Selection Algorithm
传统的进化机器人（ER）采用进化技术来搜索一个单一的单片控制器，可以帮助机器人学习所需的任务。这些技术遭受引导和欺骗问题时，任务是复杂的一个控制器学习。行为分解技术已被用于将一个任务划分为多个子任务，并为每个子任务演化单独的子控制器。然而，这些子控制器和相关联的子控制器仲裁器都是离线进化的。这种方法的分布式、充分体现和进化版本将大大有助于在线学习，并有助于缩小现实差距。在本文中，我们提出了一个免疫学启发体现行动进化暨选择算法，可以满足分布式ER。该算法以分布式方式为搜索空间的不同部分演化不同的子控制器，就像针对抗原空间中的不同抗原演化和引发抗体一样。在一组包含该算法的真实机器人上进行的实验表明，一系列类似抗体的子控制器在运行中被创建、进化和共享，以应对不同的环境条件。此外，而不是传统上使用的广播共享的方法，我们提出了一个智能数据包迁移方案，减少能源消耗。
2018-06-26 cs.NE
Evolutionary Demographic Algorithms
遗传算法中的大多数问题都非常复杂，需要大量的资源，这是现有技术所不能提供的。我们的目的是开发一个Java-JINI分布式库，实现遗传算法与子种群（粗粒度）和图形界面，以配置和跟踪搜索的演变。在通过网络连接的个人计算机中模拟/评估子群体，同时牢记子群体、迁移政策和网络拓扑的不同模型。我们表明，该模型延迟收敛的人口保持较高水平的遗传多样性，并允许更多的评价，因为它们是分布在几台计算机相比，传统的遗传算法。
2016-05-22 cs.NE
Privacy-Preserving Distributed Optimization Under Time Constraints Using Secure Multi-Party Computation and Evolutionary Algorithms
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）；AIT Austrian Institute of Technology（奥地利技术研究院）
本文提出了一种结合进化算法和安全多方计算的方法，用于在时间敏感的场景中实现隐私保护的分布式优化，通过减少隐私保护计算对运行时间的影响，确保在截止时间内返回解决方案，并探讨了隐私保护与解决方案质量之间的权衡。
2026-05-20 cs.CR cs.NE
Evolvable Agents, a Fine Grained Approach for Distributed Evolutionary Computing: Walking towards the Peer-to-Peer Computing Frontiers
提出一种带自适应迁移率的细粒度分布式进化计算方法，并通过八节点、加速比和网络性能实验证明其较 Island 模型具有更好可扩展性与同等鲁棒性。
2024-01-30 cs.NE
A Survey on Distributed Evolutionary Computation
本文系统综述了分布式进化计算，提出新的分类法，明确其提升集中式优化效率和实现分布式优化两大目的，并对分布式优化问题进行形式化定义与分类，同时展望了挑战与未来方向。
2023-04-12 cs.DC cs.NE
Modeling browser-based distributed evolutionary computation systems
从大科学时代，我们又回到了“自己动手”的时代，你没有钱购买集群或订阅网格，但仍然有算法渴望许多计算节点，并需要它们来衡量可扩展性。幸运的是，这与大数据、云计算和包括JavaScript虚拟机的浏览器的时代相吻合。这就是为什么本文将重点放在志愿者或自由乘车计算的两个不同方面的原因：首先，实用性：在哪里找到这些资源，哪些资源可以使用，你必须给他们什么样的支持;然后，理论：进化算法如何适应节点来来去去的环境，具有不同的计算能力，并在彼此完全独立的情况下运行。我们将研究使用JavaScript创建一个非常简单的分布式进化算法所需的设置，然后通过从几个具有不同经典基准函数的实验中收集数据来找到用户如何对其做出反应的模型。
2015-03-22 cs.DC cs.NE cs.NI
Comparison of Selection Methods in On-line Distributed Evolutionary Robotics
Université de Lorraine（洛林大学）；INRIA Nancy Grand-Est（法国国家数字科学与技术研究所南锡大东部大区中心）
在本文中，我们研究的背景下，在线上板分布式进化算法的选择方法的影响。我们提出了一个变种的mEDEA算法中，我们添加了一个选择运算符，我们将其应用在任务驱动的情况下。我们评估了四种选择方法，诱导不同强度的选择压力在多机器人导航避障任务和集体觅食任务。实验表明，一个小强度的选择压力是足够的，以迅速获得良好的性能在手头的任务。我们引入不同的措施来比较选择方法，并表明，选择压力越高，获得的性能越好，特别是对于更具挑战性的食物觅食任务。
2015-01-07 cs.AI cs.MA cs.NE
Distributed Evolution Strategies for Black-box Stochastic Optimization
这项工作涉及分布式随机黑箱优化的进化方法，其中每个工人可以单独解决问题的近似与自然启发的算法。我们提出了一个分布式进化策略（DES）算法的基础上适当的修改演化策略，一个家庭的经典进化算法，以及与现有的分布式框架仔细结合。在光滑和非凸的景观，DES有一个收敛速度竞争现有的零阶方法，并可以利用稀疏性，如果适用的话，以匹配一阶方法的速度。DES方法使用高斯概率模型来指导搜索，避免了现有零阶方法中有限差分技术带来的数值问题。DES方法也完全适应问题的景观，因为它的收敛性是保证与任何参数设置。我们进一步提出了两种替代的采样方案，显着提高采样效率，同时导致类似的性能。对几个机器学习问题的仿真研究表明，所提出的方法在减少收敛时间和提高对参数设置的鲁棒性方面表现出很大的希望。
2022-04-09 cs.NE
Accelerating Evolution Through Gene Masking and Distributed Search
本文提出 BLADE，利用遗传表示掩码调节进化算子并以中心辐射架构分布式搜索，理论与三个基准实验证明二者可协同实现超过 n 倍加速。
2023-04-23 cs.NE
When Evolutionary Computation Meets Privacy
Guangzhou Institute of Technology, Xidian University（西安电子科技大学广州研究院）；South China University of Technology（华南理工大学）；Singapore Management University（新加坡管理大学）；Fuzhou University（福州大学）；Peng Cheng Laboratory（鹏城实验室）；Xidian University（西安电子科技大学）；Zhejiang Normal University（浙江师范大学）；Hanyang University（汉阳大学）
本文针对演化计算中的隐私泄露问题，通过三种典型优化范式和BOOM框架系统梳理了隐私保护的对象、动机、位置与方法，并展望了隐私保护演化计算的未来研究方向。
2023-03-22 cs.AI cs.CR 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
Fair Distributed Machine Learning with Imbalanced Data as a Stackelberg Evolutionary Game
Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所）；Institute for Medical Informatics and Biometry (IMB), TU Dresden（德累斯顿工业大学医学信息学与生物计量学研究所）；Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI)（可扩展数据分析与人工智能中心）
将分布式学习视为Stackelberg演化博弈，提出DSWM和ASWM两种动态权重算法，有效缓解数据不均衡问题，显著提升小数据集节点性能且大节点性能损失轻微。
2024-12-20 cs.CV cs.GT cs.LG
Distribution of the search of evolutionary product unit neural networks for classification
University of Seville（塞维利亚大学）；University of Córdoba（科尔多瓦大学）
本文讨论了用进化乘积单元神经网络寻找最佳分类模型的分布式处理。对于这种分布式搜索，我们使用了一组计算机。我们的目标是获得一个更有效的设计比那些网络架构，不使用分布式处理，从而导致更简单的设计。为了得到最佳的分类模型，我们使用进化算法来训练和设计神经网络，这需要非常耗时的计算。需要这种分配的原因是多方面的。这是复杂的训练这种类型的网络，因为在确定它们的结构，由于复杂的误差表面带来的困难。另一方面，进化算法的使用涉及运行大量的具有不同种子和参数的测试，从而导致高计算成本
2012-05-15 cs.AI cs.CV cs.NE
Federated Fuzzy Neural Network with Evolutionary Rule Learning
ShanghaiTech University（上海科技大学）
分布式模糊神经网络（DFNN）由于其在处理分布式场景中的数据不确定性方面的学习能力，近年来受到越来越多的关注。然而，对于DFNN来说，处理局部数据是非独立和同分布（非IID）的情况是具有挑战性的。在本文中，我们提出了一个联邦模糊神经网络（FedFNN）与进化规则学习（ERL），以应付非IID问题以及数据的不确定性。FedFNN在服务器中维护一组全局规则，并为每个本地客户端维护这些规则的个性化子集。ERL受到生物进化理论的启发;它鼓励规则变化，同时激活高级规则，并对具有非IID数据的本地客户端停用低级规则。具体地说，ERL由两个阶段的迭代过程：一个规则合作阶段，更新全局规则的激活状态的基础上聚合的本地规则和规则进化阶段，进化的全局规则和更新的激活状态的本地规则。该过程改进了FedFNN的泛化和个性化，以处理非IID问题和数据不确定性。在一系列数据集上进行的大量实验表明，FedFNN优于最先进的方法。
2022-10-26 cs.LG cs.NE
Byzantine-Resilient Learning Beyond Gradients: Distributing Evolutionary Search
EPFL（洛桑联邦理工学院）；HES-SO Valais-Wallis（瑞士西部高等专业学院瓦莱州立分校）；armasuisse（瑞士国防采购与技术局）
针对无梯度分布式机器学习缺乏拜占庭容错方法的问题，提出 model-consensus 定义，并将 (1,λ)-Evolutionary Search 与经典共识机制结合，给出全序广播和 PoW 领导者选举的证明与伪代码。
2023-04-20 cs.DC cs.LG cs.NE
A Guide to Tracking Phylogenies in Parallel and Distributed Agent-based Evolution Models
本文系统评估了遗传地层学算法在不同演化条件下的配置对系统发育重建质量的影响，并提出最佳实践指南，以指导大规模并行演化模拟中的高效谱系追踪。
2024-10-02 cs.NE q-bio.PE
Distributed Evolution Strategies Using TPUs for Meta-Learning
New York University（纽约大学）；The Woodlands College Park High School（伍德兰兹大学公园高中）
元学习传统上依赖于整个任务的反向传播，以迭代地改善模型的学习动态。然而，当扩展到复杂任务时，这种方法在计算上是难以处理的。我们提出了一种分布式进化元学习策略，使用张量处理单元（TPU），是高度并行和可扩展的任意长的任务，而不会增加内存成本。使用在Omniglot数据集上使用演化策略训练的原型网络，我们在5次分类问题上实现了98.4%的准确率。我们的算法使用的内存比自动微分少40倍来计算梯度，所得模型的准确度在反向传播训练等效模型（99.6%）的1.3%以内。我们观察到更好的分类准确率高达99.1%，更大的人口配置。我们进一步通过实验验证了ES-ProtoNet在各种训练条件下的稳定性和性能（不同的群体大小，模型大小，工人数量，镜头，方式，ES超参数等）。我们的贡献是双重的：我们提供了第一个评估的进化元学习在监督设置，并创建一个通用的框架分布式演化策略TPU。
2022-01-01 cs.AI cs.LG cs.NE
Re-purposing Heterogeneous Generative Ensembles with Evolutionary Computation
Massachusetts Institute of Technology, CSAIL（麻省理工学院计算机科学与人工智能实验室）
生成对抗网络（GANs）是生成建模的流行工具。他们对抗性学习的动力学在训练过程中引起了收敛病态，如模式和模式崩溃。在机器学习中，预测器的集合在许多任务中表现出比单个预测器更好的结果。在这项研究中，我们应用两种进化算法（EA）来创建集成以重新使用生成模型，即，给定针对一个目标优化的一组异构发生器（例如，最小化Frechet起始距离），创建它们的集合以优化不同的目标（例如，最大化所生成的样本的多样性）。第一种方法受系综的确切大小的限制，第二种方法仅限制系综大小的上界。在MNIST图像基准测试上的实验分析表明，这两种EA集成创建方法都可以重新使用模型，而不会减少其原始功能。基于EA的表现出显着更好的性能相比，其他基于几何的方法。当比较两种进化时，只有一个集合大小上限的一种是最好的。
2020-08-03 cs.AI cs.LG cs.NE
Signal Propagation in a Gradient-Based and Evolutionary Learning System
Massachusetts Institute of Technology（麻省理工学院）；University of Malaga（马拉加大学）
生成对抗网络（GANs）表现出可能导致收敛相关退化行为的训练病理，而用于GAN训练的空间分布协同进化算法（CEA），例如Lipizzaner，对它们具有经验鲁棒性。鲁棒性来自于通过在环形网格的每个单元中训练生成器和鉴别器的种群而发生的多样性。通信，其中信号以细胞中最好的GAN的参数的形式在四个方向上传播：北，南，西和东，也发挥了作用，通过传达新的和合适的适应。我们提出了Lipi-Ring，一个像Lipizzaner一样的分布式CEA，除了它使用不同的空间拓扑结构，即环。我们的中心问题是信号传播的不同方向性（有效地迁移到单元格每一侧的一个或多个邻居）达到或超过Lipizzaner的性能质量和训练效率（即，MNIST，CelebA，和COVID-19胸部X光图像）结果表明，两种方法训练的生成模型的性能之间没有显着差异。然而，Lipi-Ring显著减少了计算时间（14.2%）。. . 41.2%）。因此，当训练的计算成本很重要时，Lipi-Ring提供了Lipizzaner的替代方案。
2021-02-10 cs.DC cs.LG cs.NE
