Online Diversity Control in Symbolic Regression via a Fast Hash-based Tree Similarity Measure
多样性是遗传编程的一个重要方面，与搜索性能直接相关。当考虑在基因型水平，多样性往往需要昂贵的树距离的措施，有负面影响的算法的运行时性能。在这项工作中，我们引入了一个快速的，基于哈希的树距离度量，以大大加快算法运行过程中人口多样性的计算。我们结合这一措施与标准的GA和NSGA-II遗传算法，以引导搜索更高的多样性。我们验证的方法上的基准问题的集合符号回归，我们的方法始终优于标准的GA以及NSGA-II配置不同的次要目标。
2019-02-03 cs.NE
Active Learning in Genetic Programming: Guiding Efficient Data Collection for Symbolic Regression
Michigan State University（密歇根州立大学）
本文研究了遗传规划中主动学习的计算不确定性和多样性方法，发现结合模型集成与微分熵不确定性度量能有效选择训练数据，并利用Pareto优化平衡不确定性与相关性多样性，指导符号回归的高效数据收集。
2023-07-31 cs.LG cs.NE
Semantics in Multi-objective Genetic Programming
语义学已成为遗传编程（GP）的一个重要研究课题。语义是指GP个体在数据集上运行时的输出（行为）。大部分的作品，专注于语义多样性的单目标GP表明，它是非常有益的进化搜索。令人惊讶的是，在多目标GP（MOGP）中进行的语义研究很少。在这项工作中，我们超越了我们对MOGP中语义的理解，并提出SDO：基于语义的距离作为额外的标准。这自然鼓励了MOGP中的语义多样性。为此，我们在第一个帕累托前沿（最有希望的前沿）的密度较低的区域中找到一个枢轴。然后，这被用来计算枢轴和人口中的每个个体之间的距离。然后，将得到的距离用作待优化以有利于语义多样性的附加标准。我们还使用其他两种基于语义的方法作为基线，称为基于语义相似性的交叉和基于语义的拥挤距离。此外，我们还使用NSGA-II和SPEA 2进行比较。我们使用高度不平衡的二进制分类问题，并始终显示我们提出的SDO方法如何产生更多的非支配解决方案和更好的多样性，从而获得更好的统计显著性结果，使用超体积结果作为评估指标，与其他四种方法相比。
2021-11-30 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
Evolutionary Landscape and Management of Population Diversity
进化算法（EA）的搜索能力取决于种群中个体之间的变化[3，4，8]。保持EA人口的多样性的最佳水平是必不可少的，以确保EA搜索的进展是不受过早收敛到次优解。更清楚地理解种群多样性的概念，特别是在进化搜索和早熟收敛的背景下，是设计高效进化算法的关键。为此，本文首先对EA种群多样性问题进行了简要分析。接下来，我们提出了一个反小生境EA技术的调查[4]，引入和保持建设性的多样性的人口。所提出的方法使用知情的遗传操作，以达到有前途的，但未开发或开发不足的领域的搜索空间，同时阻止过早的局部收敛。一套标准的基准测试函数与遗传算法（GA）的实现进行了仿真运行显示出良好的效果。
2015-10-24 cs.NE
Diversity Handling In Evolutionary Landscape
进化算法的搜索能力取决于种群中个体间的变异程度。保持EA人口的多样性的最佳水平是必不可少的，以确保EA搜索的进展是不受过早收敛到次优解。更清楚地理解种群多样性的概念，特别是在进化搜索和早熟收敛的背景下，是设计高效进化算法的关键。为此，本文首先对EA种群多样性问题进行了全面的分析。接下来，我们提出了一个反小生境EA技术，介绍和维护建设性的多样性人口的调查。所提出的方法使用知情的遗传操作，以达到有前途的，但未开发或开发不足的领域的搜索空间，同时阻止过早的局部收敛。用遗传算法（GA）对一些标准的基准测试函数进行了仿真，取得了令人满意的结果。
2014-11-15 cs.NE
Discrete Gene Crossover Accelerates Solution Discovery in Quality-Diversity Algorithms
University of Edinburgh（爱丁堡大学）；Edinburgh Napier University（爱丁堡纳皮尔大学）
本文提出一种基于离散基因交叉的突变操作符，通过增强变异操作，加速质量多样性算法中解的发现，提升搜索性能和多样性。
2026-02-14 cs.NE
Explaining Adaptation in Genetic Algorithms With Uniform Crossover: The Hyperclimbing Hypothesis
超攀爬假设是对均匀交叉遗传算法自适应性的一种假设性解释。Hyperclimbing是一种直观的，通用的，非局部的搜索启发式适用于离散产品空间的崎岖或随机的成本函数。这种启发式算法的优点在于，当成本函数是确定性的时，它不容易陷入局部最优，而当成本函数是随机的时，它对噪声具有容忍度。超攀爬通过抽取搜索空间来工作，即通过迭代地固定少量变量的值。超攀爬假说认为UGA通过实现高效的超攀爬来工作。这一假设的概念证明来自于使用一种新的分析技术，涉及利用算法对称性。我们还获得了实验结果表明，一个简单的调整启发hyperclimbing假设大大提高了性能的大型，随机的MAX-3SAT和谢林顿柯克帕特里克自旋眼镜问题的UGA。
2012-04-16 cs.AI cs.NE
Applications of Gaussian Mutation for Self Adaptation in Evolutionary Genetic Algorithms
Harvard Medical School-MIT（哈佛医学院-麻省理工学院）；Moravian Academy Upper School（摩拉维亚学院高中部）
近年来，由于需要更强大的计算方法，优化问题变得越来越普遍。随着人工智能等技术的出现，需要新的元算法来增强经典算法的能力。最近，研究人员一直在研究查尔斯·达尔文的自然选择和进化理论，将其作为使用机器学习增强当前方法的一种手段。1960年，第一个遗传算法由John H.荷兰和他的学生。我们探讨的数学直觉的遗传算法在开发系统能够使用高斯变异，以及其在解决优化问题的影响。
2022-01-05 cs.LG cs.NE math.OC
A diversity-enhanced genetic algorithm for efficient exploration of parameter spaces
本文提出一种轻量级多样性增强遗传算法及配套Python包，用于高效探索多维参数空间以找出所有足够好的解，在粒子物理问题中验证了其优于随机扫描的有效性。
2024-12-22 cs.NE hep-ph
Diversity-Preserving Exploitation of Crossover
本文提出保持多样性的交叉利用（DiPEC）范式及DEGA算法，通过缓解交叉与多样性之间的对立，在LeadingOnes上以$O(n^{5/3}\log^{2/3} n)$次评估突破标准遗传算法的$Θ(n^2)$运行时间壁垒，并在其他基准上验证了竞争力。
2025-07-02 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
The $(1+(λ,λ))$ Genetic Algorithm for Permutations
$(1+(λ,λ))$遗传算法是基于理论发现的见解而开发的进化算法的一个明亮的例子。该算法使用交叉，并且即使在OneMax这样的简单问题上，它也被证明渐近优于所有基于变异的进化算法。随后，它被研究了一些其他问题，但所有这些都是伪布尔。我们的目的是改善这种情况，提出了适应的$(1+(λ,λ))$遗传算法置换为基础的问题。这种适应是必需的，因为置换在某些关键方面与位串明显不同，例如可能的突变的数量及其相互依赖性。我们还提出了该算法的第一个运行时分析的置换为基础的问题，称为火腿，其属性类似于OneMax的。在这个问题上，其中简单的基于变异的算法具有问题大小$n$的$Θ(n^2 \log n)$的运行时间，$(1+(λ,λ))$遗传算法在$O(n^2)$适应度查询中找到最优。实验结果表明，该算法在实际应用中也是快速的.
2020-05-10 cs.NE
Genealogical Distance as a Diversity Estimate in Evolutionary Algorithms
群体中两个个体之间的进化编辑距离，即，从一个个体开始产生另一个个体的进化过程所需的任何遗传算子的应用量似乎是对所述个体之间的多样性的有希望的估计。我们引入系谱多样性，即，通过分析两个个体基因组中大的、未使用的部分来估计它们的相关程度，作为一种计算效率高的方法来近似计算多样性。
2017-04-27 cs.NE
Otimizacao de Redes Neurais atraves de Algoritmos Geneticos Celulares
Universidade Federal de Pernambuco（伯南布哥联邦大学）
提出了一种利用细胞遗传算法（CGA）自动搜索人工神经网络（ANN）的方法。这种方法的目标是找到紧凑的网络whit良好的分类问题的性能。开发这项工作的主要原因是集中在配置具有良好性能的紧凑型ANN的困难。CGA的使用旨在以与普通遗传算法（GA）相同的方式寻找RNA的组分，但是它具有结合元胞自动机（CA）以给出GA个体的位置的区别。CA所施加的位置旨在控制种群中溶液的传播，以更长时间地保持遗传多样性。这种遗传多样性对于用GA获得良好结果是重要的。
2021-07-18 cs.LG cs.NE
Using Dissortative Mating Genetic Algorithms to Track the Extrema of Dynamic Deceptive Functions
传统的遗传算法（GAs）交配方案选择个体进行交叉，独立于它们的基因型或表型相似性。在自然界中，这种行为被称为随机交配。然而，非随机方案-其中个人根据他们的亲属关系或相似性交配-在自然系统中更常见。以前的研究表明，当应用于GA时，负选择性交配（一种特定类型的非随机交配，也称为dissortative交配）可能会提高它们在广泛问题中的性能（速度和可靠性）。溶解交配保持在一个较高的水平，在运行过程中的遗传多样性，这一事实是经常观察到的溶解气体的能力，以逃避局部最优陷阱的解释。动态问题由于其特殊性，在调整GA时需要特别小心，因为多样性在处理静态问题时扮演着更重要的角色。本文研究的行为的溶解交配遗传算法，即最近提出的自适应溶解交配遗传算法（ADMGA），动态陷阱功能。ADMGA通过一个可自调整的阈值，根据它们的汉明距离来选择父节点。该方法在运行过程中保持种群的多样性，为处理动态问题提供了一种有效的手段。欺骗性和几乎欺骗性的陷阱功能进行的测试表明，ADMGA是能够优于其他遗传算法，一些专门设计用于跟踪移动极值，在广泛的测试，特别是有效的变化速度不是很快。当比较该算法与以前提出的分解遗传算法，结果表明，性能是相当的大多数实验，但ADMGA表现更好时，解决最难的测试集的情况。
2009-04-20 cs.NE
Towards a Sound Theory of Adaptation for the Simple Genetic Algorithm
Brandeis University（布兰迪斯大学）
演化计算和机器学习领域的进展速度目前是有限的-在前一个领域，不可能作出有利的扩展进化算法时，他们的适应能力知之甚少，在后者的困难，找到有效的半原则性减少困难的现实世界的问题相对简单的优化问题。在本文中，我们解释了为什么一个理论，它可以准确地解释简单的遗传算法的显着的适应能力有可能解决这两个局限性。我们描述了我们认为是障碍-历史和分析-发现这样一个理论，并强调的负面作用，积木假说（BBH）发挥。我们认为，实验结果的基础上，一个基本的限制，这被广泛认为是限制SGA的自适应能力（并强烈暗示的BBH），实际上是虚幻的，并不存在。因此，SGA比目前认为的更强大。我们给出的条件下，它成为可行的数值近似和研究的多元边际的搜索分布的一个无限的人口SGA在多个世代，即使当它的基因组很长，并解释为什么这种分析是相关的谜语的SGA的显着的自适应能力。
2009-04-03 cs.AI cs.NE
Population Diversity Leads to Short Running Times of Lexicase Selection
在本文中，我们调查为什么词典父选择的运行时间是经验远远低于其最坏情况下的O（N*C）的界限。我们定义了一个衡量人口的多样性，并证明了高多样性导致低运行时间O（N + C）的词汇酶选择。然后，我们的经验表明，遗传编程人口的词汇酶选择下进化的不同的几个程序合成的问题，并探讨由此产生的差异运行时间界限。
2022-04-13 cs.NE
Ensemble of heterogeneous flexible neural trees using multiobjective genetic programming
机器学习算法本质上是多目标的，其中近似误差最小化和模型复杂性简化是两个相互冲突的目标。提出了一种多目标遗传编程（MOGP）方法，用于构造异构柔性神经树（HFNT）、树状柔性前馈神经网络模型。神经树节点中的功能异质性被引入，以在学习过程中捕获更好的数据洞察力，因为数据集中的每个输入都具有不同的特征。MOGP引导初始HFNT人口向帕累托最优解，其中最终人口用于制作系综系统。引入了多样性指数以及近似误差和复杂性来保持种群中候选人的多样性。因此，通过使用来自MOGP最终群体的准确、结构简单和多样的候选者来创建集合。采用差分进化算法对所选候选模型的基本参数进行微调。在分类、回归和时间序列数据集上的综合测试证明了该算法优于其他可用预测方法的有效性。此外，HFNT的异质创建被证明是有效的，从最终的人口集成系统。
2017-05-16 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
Continuous On-line Evolution of Agent Behaviours with Cartesian Genetic Programming
演化计算已成功地用于合成控制器的体现代理和多智能体系统一般。尽管如此，连续在线适应进化算法的手段仍然是探索不足，特别是在进化机器人领域之外。在本文中，我们提出了一个在线进化规划算法，搜索在代理设计空间的适当的行为政策，以应付底层环境。我们讨论了目前的问题，连续代理适应，提出了我们的在线进化模拟的进化测试床。
2014-07-02 cs.MA cs.NE
Hash-Based Tree Similarity and Simplification in Genetic Programming for Symbolic Regression
Josef Ressel Centre for Symbolic Regression（约瑟夫·雷塞尔符号回归中心）；University of Applied Sciences Upper Austria（上奥地利应用科学大学）；Johannes Kepler University（约翰内斯·开普勒大学）
本文介绍了一种运行时高效的树哈希算法，用于识别同构子树，在符号回归的遗传编程中有两个重要的应用：快速，在线计算种群多样性和符号表达式树的代数简化。基于这种散列方法，我们提出了一个简单的多样性保护机制与有前途的结果收集的符号回归基准问题。
2021-07-22 cs.LG cs.NE
Analysis of Genetic Algorithm on Bearings-Only Target Motion Analysis
仅利用方位角进行目标运动分析是水下目标跟踪的重要研究内容。采用卡尔曼滤波和进化策略等方法得到了较好的预测结果。由于类卡尔曼滤波器不能达到预期的效果，因此长期以来一直采用进化策略。基于遗传算法的目标运动分析是纯方位目标运动分析中最成功的方法，本文对其进行了研究，发现协方差矩阵自适应进化策略与基于遗传算法的目标运动分析具有相似的效果，并进行了尝试，但它具有统计反馈机制，收敛速度比其他方法快。在本研究中，我们比较和批评的方法。
2020-01-15 cs.NE
HSEvo: Elevating Automatic Heuristic Design with Diversity-Driven Harmony Search and Genetic Algorithm Using LLMs
Hanoi University of Science and Technology（河内科学技术大学）；George Mason University（乔治·梅森大学）
本文提出HSEvo框架，通过结合和谐搜索算法平衡多样性与收敛性，解决自动启发式设计中探索与利用的平衡问题，提升搜索效率与稳定性。
2024-12-19 cs.AI cs.NE
Why Evolve When You Can Adapt? Post-Evolution Adaptation of Genetic Memory for On-the-Fly Control
School of Engineering and Physical Sciences, Heriot-Watt University Dubai（工程与物理科学学院，惠顿大学迪拜分校）；School of Mathematical and Computer Sciences, Heriot-Watt University Dubai（数学与计算机科学学院，惠顿大学迪拜分校）
本文提出一种将遗传算法与在线Hebbian可塑性结合的零样本适应机制，使机器人控制器在运行时动态调整突触权重，无需额外训练，并在T型迷宫任务中验证了其应对环境变化的能力。
2025-08-05 cs.NE cs.RO
Evolution leads to a diversity of motion-detection neuronal circuits
Department of Computer Science and Engineering（计算机科学与工程系）；BEACON Center for the Study of Evolution in Action（进化行为研究灯塔中心）；Department of Microbiology and Molecular Genetics（微生物学与分子遗传学系）；Program in Ecology, Evolutionary Biology, and Behavior（生态学、进化生物学与行为项目）；Department of Physics and Astronomy, Michigan State University（密歇根州立大学物理与天文学系）
进化生物学的一个核心目标是解释生物多样性的起源和分布。除了物种或遗传多样性〈动〉性<动>，我们还观察到复杂功能特征背后的回路（遗传或其他）的多样性。然而，虽然遗传和物种多样性〈动〉性<动>的起源和维持背后的理论已经研究了几十年，但关于不同功能回路起源的理论仍处于起步阶段。目前还不知道有多少不同的电路结构可以实现任何给定的功能，哪些进化因素导致不同的电路，以及特定电路的进化是由于自适应还是非自适应过程。在这里，我们使用数字实验进化来研究数字（人工）大脑中编码运动检测的神经回路的多样性。我们发现，进化导致编码运动检测电路的潜在神经架构的巨大多样性，即使是编码完全相同功能的电路。进化后的电路在冗余度和复杂性方面都有所不同（如以前在遗传电路中发现的那样），这表明类似的进化原理是使用任何基底形成电路的基础。我们还表明，一个简单的（设计）的运动检测电路，是最佳适应增益的复杂性时，进一步发展，并选择突变的鲁棒性导致这种增益的复杂性。
2018-06-05 cs.CV cs.NE nlin.AO
All You Need Is Sex for Diversity
CISUC（科英布拉大学信息与系统中心）；University of Coimbra（科英布拉大学）
在遗传编程中，保持遗传多样性是避免早熟收敛的关键。已经提出了几种方法来实现这一点，一些侧重于交配阶段，从耦合不同的解决方案，以某种形式的自适应选择机制。在自然界中，遗传多样性可能是许多不同因素的结果，但在考虑生殖时，性选择可能对促进物种内的多样性产生影响。具体来说，配偶选择往往会导致两性之间不同的选择压力，这反过来又可能引发它们之间的进化差异。虽然一些性选择的机制已经应用于遗传编程在过去，文献是稀缺的，当谈到配偶选择。最近，人们提出了一种通过理想伴侣表示来建模交配偏好的方法，与标准方法相比取得了良好的效果。这些交配偏好以一种自适应的方式自由进化，在适应压力的同时创造了自己的进化驱动力。这种方法的内在机制是从个人选择开始的，因为每个人都有自己的完美伴侣代表，这会影响到要选择的伴侣。在本文中，我们将这种方法与随机择偶进行比较，以评估是否有优势，在不断发展的个人偏好。我们进行了实验，使用三个符号回归问题和不同的突变率。结果表明，自适应交配偏好是能够创建一个更多样化的解决方案时，相比传统的方法和随机交配的方法（具有统计学上的显着差异），并有较高的成功率在三个测试的六个实例。
2023-03-30 cs.AI cs.NE
Modeling the Evolution of Gene-Culture Divergence
我们提出了一个模型，不断发展的代理使用遗传和文化的继承机制。在每个代理中，我们的模型维护两个不同的信息存储，我们称之为基因组和记忆体。适应的过程被模拟为进化过程中的每一个层次的适应（系统发育，个体发育，社会发生）。我们回顾相关的竞争模型，我们展示了我们的模型如何改进以前的尝试模型遗传和文化的进化过程。特别是，我们认为我们的模型可以实现不同的基因文化的共同进化。
2016-04-25 cs.MA cs.NE q-bio.PE
Death in Genetic Algorithms
University of Louisville（路易斯维尔大学）
死亡在进化算法中一直被忽视。最近的研究表明，死亡（如果应用得当）可以使种群的整体适应性受益，并且当允许在环境中一起进化时，可以胜过“不朽”的种群的子部分。在本文中，我们努力通过实验来确定死亡是否是一个适应的特点，以及这种适应是否可以用来提高我们的实现传统的遗传算法。使用一些最广泛接受的进化死亡和老化理论，我们观察到，衰老死亡（以各种形式）可以降低总运行时间的遗传算法，提高最优解，并减少算法的性能方差。我们相信，死亡增强的遗传算法可以通过其独特的能力，回溯出和/或避免陷入局部最优完全实现这一点。
2021-07-15 cs.AI cs.NE
Genetic Algorithm with Innovative Chromosome Patterns in the Breeding Process
Department of Computer Science, Georgia Institute of Technology（计算机科学系，佐治亚理工学院）；Visa Inc.（Visa公司）
本文提出GAB算法，通过在繁殖过程中引入新染色体模式增强探索能力，显著缓解过早收敛并提高搜索多样性，在复杂作业调度和经典Flip-Flop问题上实现更快收敛与更高适应度，为大规模组合优化提供高效方案。
2025-06-26 cs.LG cs.NE stat.CO
