Residual Learning Inspired Crossover Operator and Strategy Enhancements for Evolutionary Multitasking
East China University of Science and Technology（华东理工大学）；Auckland University of Technology（奥克兰理工大学）
针对进化多任务中交叉算子和技能因子分配缺乏灵活性的问题，提出基于残差学习的MFEA-RL方法，利用VDSR建模高维交互、ResNet动态分配技能因子，在基准和实际应用中表现优异。
2025-03-27 cs.AI cs.NE
Multi-Constrained Evolutionary Molecular Design Framework: An Interpretable Drug Design Method Combining Rule-Based Evolution and Molecular Crossover
Graduate School of Technology, Industrial and Social Sciences, Tokushima University（德岛大学技术、产业与社会科学研究院）；College of Chemistry and Chemical Engineering, China University of Petroleum (East China)（中国石油大学（华东）化学与化工学院）
MCEMOL通过结合规则进化和分子交叉，实现高效且可解释的分子设计，生成有效且多样化的分子库，满足药物发现需求。
2026-01-15 cs.NE
IE-GAN: An Improved Evolutionary Generative Adversarial Network Using a New Fitness Function and a Generic Crossover Operator
Jilin University（吉林大学）；Northeast Normal University（东北师范大学）
生成对抗网络（GANs）的训练通常容易受到模式坍塌和梯度消失的影响。进化生成对抗网络（E-GAN）试图通过使用多个损失函数优化学习策略来缓解这些问题。它使用基于学习的进化框架，专门为一般的深度神经网络开发新的变异算子。然而，E-GAN适应度函数中的评价机制不能真实反映个体对环境的适应性，导致对个体多样性的评估不准确。此外，E-GAN的进化步骤中只包含变异算子，没有考虑交叉算子，隔离了个体之间的优势特征。为了解决这些问题，我们提出了一个改进的E-GAN框架称为IE-GAN，它引入了一个新的适应度函数和一个通用的交叉算子。特别是，从客观的角度来看，所提出的适应度函数可以更准确地模拟个体的进化过程。交叉算子是进化算法中常用的一种算子，它通过知识蒸馏使后代能够模仿双亲的优良基因表达。在各种数据集上的实验证明了我们提出的IE-GAN在生成样本的质量和时间效率方面的有效性。
2022-11-01 cs.LG cs.NE
A Distance Between Populations for n-Points Crossover in Genetic Algorithms
遗传算法（GAs）是一种优化技术，已成功地用于许多现实世界的问题。对它们的理论研究存在不同的方法。在本文中，我们完成了一个最近提出的方法来模拟一点交叉使用预拓扑（或切赫拓扑）在两种方式。首先，我们将其扩展到n点交叉的情况。然后，我们通过实验研究了当交叉点的数量增加时，距离分布的变化。
2017-07-03 cs.NE
Modified Soft Brood Crossover in Genetic Programming
过早收敛是遗传编程用于数据建模时的一个重要问题。这可以通过改善人口多样性来避免。智能遗传算子有助于提高种群多样性。交叉算子是遗传编程中的一个重要算子。为此，本文分析了智能交叉算子的种类，提出了一种改进的软繁殖交叉算子。这将有助于提高种群的多样性，减少早熟收敛。我们对三个不同的符号回归问题进行了实验。然后，我们提出了我们的交叉（修改软窝交叉）与现有的软窝交叉和子树交叉算子的性能比较。
2013-04-12 cs.NE
The structure of evolutionary exploration: On crossover, buildings blocks and Estimation-Of-Distribution Algorithms
积木的概念可以与后代概率分布的结构相关：变异性强相关的基因座构成积木。我们称之为相关探索。在此背景下，我们分析的后代概率分布的结构，或勘探分布，遗传算法与变异，交叉遗传算法，估计分布算法（EDA）。结果允许交叉探索分布的结构的精确表征。从本质上讲，交叉算子通过将其转化为熵来破坏位点之间的互信息;它做了相关探索的逆。相比之下，EDAs的目标是模拟适应度分布中基因座之间的互信息，从而诱导相关探索。
2002-12-11 cs.NE nlin.AO q-bio
Shortest Edit Path Crossover: A Theory-driven Solution to the Permutation Problem in Evolutionary Neural Architecture Search
Cognizant AI Labs（高知特人工智能实验室）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文针对进化神经架构搜索中的排列问题，提出基于图空间最短编辑路径的SEP交叉算子，理论证明其优于变异、标准交叉和强化学习，并在主流NAS基准上取得更优性能。
2023-05-29 cs.AI cs.NE
More Effective Crossover Operators for the All-Pairs Shortest Path Problem
全对最短路径问题是第一个非人工问题，它被证明，增加交叉可以显着加快变异的进化算法。最近，对该算法的分析进行了改进，并显示出具有预期的优化时间（w.r.t. $Θ(n^{3.25}(\log n)^{0.25})$的适应度评估的数量）。与这种简单的算法相比，实际中使用的进化算法通常采用精细的重组策略，以避免产生不可行的后代。我们研究的基本算法的两个这样的概念，这是中央重组，即\emph{repair mechanisms}和\emph{parent selection}的扩展。我们发现，修复不可行的后代导致改进的预期优化时间的$\mathord{O}(n^{3.2}(\log n)^{0.2})$。作为我们研究的第二部分，我们证明了选择父母，保证可行的后代结果在一个更好的优化时间的$\mathord{O}(n^{3}\log n)$。这两个结果表明，已经简单的调整的重组算子可以渐近提高进化算法的运行时间。
2012-07-02 cs.NE
Limited Evaluation Evolutionary Optimization of Large Neural Networks
随机梯度下降法是训练神经网络最常用的算法。然而，其他方法，如进化算法也适用于这项任务。进化算法带来了值得探索的独特权衡，但迄今为止，计算需求将探索限制在参数较少的小型网络上。我们实现了一个完全在GPU上执行的进化算法，它可以有效地批量评估整个网络种群。在此框架下，我们探讨了有限评估进化算法的神经网络训练，发现其批量评估的思想带来了很大的精度权衡。在进一步的实验中，我们探索了交叉算子，发现无原则的随机均匀交叉表现得非常好。最后，我们使用EA在MNIST上训练了一个具有92 k参数的网络，并实现了97.6%的测试准确度，而使用Adam训练的同一网络的测试准确度为98%。代码可在https://github.com/jprellberg/gpuea上获得。
2018-06-26 cs.NE
Evolutionary Algorithms for Limiting the Effect of Uncertainty for the Knapsack Problem with Stochastic Profits
进化算法已被广泛用于一系列随机优化问题，以解决复杂的现实世界的优化问题。我们考虑的背包问题的利润涉及的不确定性。这种随机设置反映了重要的现实世界的情况下，可以实现的利润是不确定的。我们介绍了不同的方法来处理随机利润的基础上尾部不等式，如切比雪夫不等式和Hoeffding界限，允许限制不确定性的影响。我们研究了简单的进化算法和使用重尾变异和特定问题的交叉算子优化不确定的利润。我们对不同基准实例的实验研究显示了基于尾部不等式的不同方法的结果，以及通过重尾变异和特定问题的交叉算子实现的改进。
2022-04-12 cs.NE
Standard Steady State Genetic Algorithms Can Hillclimb Faster than Mutation-only Evolutionary Algorithms
在演化计算中，解释遗传算法的真正力量在多大程度上在于交叉将个体重组成更高质量解的能力是一个重要的问题。在本文中，我们将展示如何变异和交叉之间的相互作用可以使遗传算法爬山速度比他们的变异只有同行。我们设计了一个马尔可夫链框架，允许严格证明上界的标准稳态遗传算法爬山OneMax函数的运行时间。的界限建立，稳态遗传算法是25%的速度比所有标准的位变异的进化算法的静态突变率达到较低的顺序项为中等人口规模。分析还表明，较大的种群可能比大小为2的种群更快。我们提出了一个贪婪的（2+1）GA匹配的上限大于2的人口的下限，严格证明了2个人不能超越更大的人口规模下贪婪的选择和贪婪的交叉到低阶项。在互补实验中的最佳人口规模是大于2和贪婪的遗传算法是比标准的更快，进一步表明，推导出的下限也适用于标准的稳态（2+1）GA。
2017-08-25 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
Evolutionary Approach to Test Generation for Functional BIST
本文研究了一种演化的功能内建自测试测试生成方法。所提出的方案的目的是通过允许设备的微程序测试其逻辑，提供一个观察结构的系统，并生成适当的测试数据给定的架构，以尽量减少测试数据量。提出了两种在功能级上获得确定性测试集的方法。第一种方法是基于经典的遗传算法与二进制和算术交叉和变异算子。第二种使用遗传编程，其中测试表示为一系列微操作。在后一种情况下，我们应用两点交叉的基础上交换测试序列和变异实现的微操作或操作数的随机替换。实验数据的程序实现显示所提出的方法的效率。
2010-07-31 cs.NE
How Population Diversity Influences the Efficiency of Crossover
本研究首次严格分析种群多样性对交叉效率的影响，给出多样性必要且充分的条件，并证明在μ=2时通过偏向多样性的平局打破可常数因子加速优化。
2024-04-18 cs.NE
The Benefits of Population Diversity in Evolutionary Algorithms: A Survey of Rigorous Runtime Analyses
种群多样性在进化算法中是至关重要的，以实现全局探索并避免由于过早收敛而导致的性能低下。这本书的章节回顾了运行时分析，这些分析表明了种群多样性的好处，无论是通过显式的多样性机制还是通过自然出现的多样性。这些工作表明多样性的好处是多方面的：多样性对于全局探索和找到几个全局最优解的能力很重要。多样性增强了交叉，使交叉比变异更有效。多样性在动态优化中可能至关重要，因为问题景观会随着时间的推移而变化。最后，它有利于搜索整个帕累托前沿的进化多目标优化。所提出的分析严格量化的进化算法的性能，根据人口多样性，奠定了基础，严格了解搜索动态是如何影响的存在或不存在的人口多样性和多样性机制的引入。
2018-01-30 cs.NE
Large Population Sizes and Crossover Help in Dynamic Environments
超立方体上的动态线性函数是为每个比特分配正权重的函数，但权重随时间变化。在整个优化过程中，这些函数保持相同的全局最优值，并且永远不会有缺陷的局部最优值。尽管如此，最近的研究表明[Lengler，Switcher，FOCI 2019]，$(1+1)$ -进化算法需要指数时间来找到或近似某些算法配置的最佳值。在本文中，我们研究了人口规模较大的动态BinVal，动态线性函数的极值形式的影响。我们发现，适度增加的人口规模扩大了有效的算法配置的范围，交叉大大提高了这种积极的影响。值得注意的是，与[Lengler，Zou，FOGA 2019]中单调函数的静态设置类似，$(μ+1)$ -EA的最难优化区域并不接近最优值，而是远离最优值。相比之下，对于$(μ+1)$ -GA，最优值周围的区域是所有研究案例中最难的区域。
2020-04-21 cs.NE
Population Synthesis via k-Nearest Neighbor Crossover Kernel
多智能体模拟的最新发展带来了人口合成的需要。这是一项从有限规模（1%左右）的抽样调查中重建整个人口的任务，提供模拟开始的初始条件。本文提出了一种新的核密度估计这一任务。我们的方法是一个模拟的经典Breiman-Meisel-Purcell估计，但采用新的技术，利用巨大的自由度，这是需要建模高维非线性相关的数据集：交叉内核，k-最近邻限制的内核构造集和装袋的内核。通过真实和合成数据集检查作为统计估计器的性能。我们提供了一个“优化自由”的参数选择规则，我们的方法是如何工作的理论和计算成本分析。为了证明作为一个人口合成器的有用性，我们的方法被应用到一个家庭合成任务的城市微模拟器。
2015-08-26 cs.NE
Specific Single- and Multi-Objective Evolutionary Algorithms for the Chance-Constrained Knapsack Problem
机会约束背包问题是经典背包问题的一个变种，其中每个项目都有一个权重分布，而不是一个确定的权重。目标是在所选项目的权重仅以小概率$α$超过给定的权重界限的条件下，使所选项目的总利润最大化。在本文中，考虑特定问题的单目标和多目标的方法的问题。我们研究了使用重尾突变，并引入了一个特定问题的交叉算子来处理机会约束背包问题。单目标进化算法的实证结果表明，我们的运营商相比，使用经典的运营商的有效性。此外，我们引入了一个新的有效的多目标模型的机会约束背包问题。我们使用该模型结合多目标进化算法中的问题特定的交叉算子来解决这个问题。我们的实验结果表明，这导致显着的性能改善时，使用的方法在进化多目标算法，如GSEMO和NSGA-II。
2020-04-08 cs.NE
Analysing Equilibrium States for Population Diversity
本文研究适应度中性环境中 (μ+1) 进化算法的种群多样性动态，推导其漂移公式与平衡时间，并分析变异和交叉算子对平衡的影响。
2023-04-19 cs.NE
Revisiting Evolutionary Algorithms with On-the-Fly Population Size Adjustment
在进化算法中，种群具有非常重要的作用，因为其大小直接影响解的质量、速度和可靠性。在过去的理论研究已经做了调查的作用，人口规模在进化算法。除了这些研究之外，文献中还提出了几种自我调节种群规模的机制。本文重温后一个主题，并特别注意遗传算法与自适应人口规模（APGA），几位研究人员声称是非常有效的自主（重新）规模的人口。与先前的主张相反，本文提出了一个完全相反的观点。具体来说，它表明APGA根本不能适应种群规模。这一主张得到了理论上的支持和计算机模拟的证实。
2006-02-15 cs.NE
A Heuristic Method to Generate Better Initial Population for Evolutionary Methods
初始种群在遗传算法等启发式算法中起着重要的作用，因为它有助于减少这些算法获得可接受结果所需的时间。此外，它可能会影响进化算法给出的最终答案的质量。在本文中，我们将介绍一种探试法，以产生一个基于目标的初始种群，具有上述两个特点。所提出的方法的效率已被证明，通过提出我们的测试结果的基准。
2014-06-15 cs.NE
Investigating the Parameter Space of Evolutionary Algorithms
进化算法的实践涉及许多参数的调整。人口应该有多大？算法应该运行多少代？什么是（比赛选择）锦标赛规模？交叉和变异的概率应该是多少？通过对多个进化算法实现和问题的一系列广泛的实验，我们表明参数空间往往充满了可行的参数，至少对于本文研究的25个问题。我们讨论了这一发现在实践中的影响。
2017-10-10 cs.NE
K-Bit-Swap: A New Operator For Real-Coded Evolutionary Algorithms
实数编码遗传算法（RCGA）提出了多种交叉算子，这些交叉算子将来自相同位置的值重组为成对的字符串。在这篇文章中，我们提出了一个重组算子的RC-GAs，随机选择的位置在两个父母，并比较它的主流交叉算子在一系列的标准多维优化问题和聚类问题的实验。我们提出了两种变体的运营商，无论是随机选择的字符串中均匀的两个位，或采样的第二位从一个正态分布集中在选定的位置在第一个字符串。虽然该算子偏向于利用适应度空间，但随机选择用于交换的第二位使其稍微不那么偏向于利用。广泛的统计分析，使用非参数检验显示的优势，新的重组运营商的一系列测试功能。
2016-04-22 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
How Crossover Speeds Up Building-Block Assembly in Genetic Algorithms
我们重新调查一个基本的问题：如何有效的交叉在遗传算法结合积木的好的解决方案？虽然这已经讨论了几十年的争议，我们仍然缺乏一个严格和直观的答案。我们为皇家道路功能和OneMax提供了这样的答案，其中每一位都是构建块。对于后者，我们表明，使用交叉使每一个（$μ$ + $λ$）遗传算法的速度至少是最快的进化算法的两倍，只使用标准位变异，小的顺序条款和中度$μ$和$λ$。交叉是有益的，因为它通过在后期结合正确的构建模块，有效地将适应度中性突变转化为改进。与基于变异的进化算法相比，这使得多位变异更有用。引入交叉将OneMax上的最佳变异率从$1/n$更改为$(1+\sqrt{5})/2 \cdot 1/n \approx 1.618/n$。这适用于均匀交叉和$k$点交叉。实验和统计测试证实，我们的研究结果适用于广泛的一类积木功能。
2014-11-26 cs.DS cs.NE
A New Lagrangian Problem Crossover: A Systematic Review and Meta-Analysis of Crossover Standards
Erbil Polytechnic University（埃尔比勒理工大学）；Charmo University（查尔莫大学）；University of Kurdistan Hewler（库尔德斯坦休勒大学）
大多数进化元启发式算法的性能依赖于各种操作。其中一种是交叉算子，它分为两种类型：应用相关和应用无关交叉算子。这些标准总是有助于在进化算法过程中选择最佳拟合点。交叉算子的高效率使工程师能够在工程应用优化中最大限度地减少错误，同时节省时间并避免成本。本文有两个关键目标：首先，它是一个交叉标准分类的概述，研究人员已经使用它来解决工程操作和问题表示。本文的第二个目的是：提出了新的标准交叉的意义，依靠拉格朗日对偶函数（LDF）的拉格朗日问题的交叉（LPX）作为一个新的标准系统的运营商的发展制定。建议的交叉标准的结果为100代的父染色体进行比较的BX和SBX标准，这是公共的实数编码的交叉标准。建议的标准的准确性和性能进行了评估，由三个单峰测试功能。此外，本文提出的标准结果被统计地证明，与BX和SBX相比，它具有产生和增强新的优化算法的能力
2022-05-15 cs.AI cs.NE
A General Dichotomy of Evolutionary Algorithms on Monotone Functions
如果$c<1$满足，则具有变异率$c/n$的进化算法$(1+1)$-EA有效地优化了每个单调函数，如果$c\geq 2.2$满足，则在某些单调函数（HotTopic函数）上需要指数时间.我们研究了同样的问题，大量的各种算法，特别是$(1+λ)$ -EA，$(μ+1)$ -EA，$(μ+1)$ -GA，他们的快速同行，如快速$(1+1)$ -EA，和$(1+(λ,λ))$ -GA。我们发现，所有考虑的基于变异的算法表现出类似的二分法的HotTopic功能，甚至为所有单调的功能。对于$(1+(λ,λ))$ -GA，该二分法在参数$cγ$中，参数$cγ$是在忽略选择的情况下，在变异和交叉之后个体中的位翻转的预期数量。对于快速算法，二分法是在$m_2/m_1$中，其中$m_1$和$m_2$是位翻转次数的第一和第二下降时刻。令人惊讶的是，有效参数的范围是不受人口规模$μ$，也不受后代人口规模$λ$。如果允许交叉，则图像完全改变。当$μ$足够大时，遗传算法$(μ+1)$ -GA和快速$(μ+1)$ -GA对任意突变强度都是有效的.
2018-03-28 cs.NE
On Cooperative Coevolution and Global Crossover
本文提出将无子问题配对的协同协同进化算法视为全局交叉算子的广义版本，并通过NK模型和测试函数验证其优于传统CCEAs。
2024-01-15 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
Convergence Properties of Two (μ + λ) Evolutionary Algorithms On OneMax and Royal Roads Test Functions
我们提出了一些界限的收敛时间为两个精英人口为基础的进化算法，使用重组算子k-Bit-Swap和主流的随机局部搜索算法。我们研究了优势种的分布和种群大小的影响。
2011-08-20 cs.NE
Evolutionary Image Composition Using Feature Covariance Matrices
进化算法最近已被用于创建各种艺术作品。在本文中，我们提出了一种新的方法，从现有的组成新的图像，保留了原始图像的一些显着特征。我们引入进化算法，创建新的图像的基础上的健身功能，结合与图像的不同部分相关的特征协方差矩阵。这种方法非常灵活，因为它可以与广泛的特征一起工作，并能够瞄准图像中的特定区域。为了创建新的图像，我们提出了一种基于种群的进化算法的变异和交叉算子的基础上随机游走。我们的实验结果揭示了一系列的审美愉悦的图像，可以获得与我们的进化过程的帮助。
2017-03-10 cs.NE
On the Impact of Crossover in Many-Objective Optimization: A Runtime Analysis of NSGA-III
Chair of Algorithms for Intelligent Systems, University of Passau（智能系统算法讲席, 帕绍大学）
本文通过分析NSGA-III在m-目标m-OneJumpZeroJump函数上的运行时间，证明交叉操作能显著提升优化效率，为多目标优化理论提供了新见解。
2026-05-11 cs.NE
Identifying potentiating events in evolutionary search using replay experiments
Grand Valley State University（大急流城州立大学）
本研究将分析性重放实验引入进化计算领域，通过分步指南设计该实验，以遗传编程种群为例验证其能量化进化潜力，发现成功潜力与适应度无必然关联，可拓展进化计算理论基础。
2026-08-11 cs.NE
Tip the Balance: Improving Exploration of Balanced Crossover Operators by Adaptive Bias
在遗传算法（GA）中使用平衡交叉算子确保作为后代生成的二进制串具有与父母相同的汉明权重，这是在某些离散优化问题中寻求的约束。虽然该方法减小了搜索空间的大小，但是所得到的适应度景观对于GA探索和发现最优解通常变得更加困难。这个问题已在本文中进行了研究，通过应用自适应偏置策略的计数器为基础的交叉算子，引入不平衡的后代具有一定的概率，这是减少整个进化过程中。实验结果表明，该自适应偏置策略提高了搜索空间的搜索效率，有利于提高平衡非线性布尔函数问题的最优解数量.
2020-04-23 cs.NE
Benchmarking a $(μ+λ)$ Genetic Algorithm with Configurable Crossover Probability
我们调查了一个家庭的$(μ+λ)$遗传算法（GAs），它创建后代无论是从突变或重组两个随机选择的父母。通过缩放交叉概率，我们可以从完全仅变异的算法向完全基于交叉的GA插值。我们分析，通过实证手段，性能如何取决于人口规模和交叉概率的相互作用。我们对25个伪布尔优化问题的比较揭示了基于交叉的配置在几个简单的优化任务上的优势，而更复杂的优化问题的情况则是混合的。此外，我们观察到，“快速”的变异方案，其幂律分布的变异强度优于标准位变异复杂的优化任务时，它与交叉相结合，但在没有交叉的情况下表现较差。然后，我们仔细研究了基于交叉的$(μ+λ)$ GA在著名的LeadingOnes基准问题上令人惊讶的良好性能。我们观察到，最佳的交叉概率随着人口规模的增加而增加$μ$。同时，它随着问题维数的增加而减小，表明交叉的优势在经典应用于运行时分析的渐近视图中是不可见的。因此，我们认为，固定尺寸的数学调查可能会帮助我们观察到的效果是不可见的，当专注于渐近性能界限。
2020-06-10 cs.NE
Coevolutionary Neural Population Models
我们提出了一种使用神经网络来模拟进化种群动力学的方法，并与最近的深度学习进展进行了比较，在深度学习进展中，对抗训练的神经网络参与了共同进化的相互作用。我们进行的实验表明，从进化博弈论的模型能够描述这些神经种群系统的行为。
2018-04-11 cs.NE
Evaluating the impact of different types of crossover and selection methods on the convergence of 0/1 Knapsack using Genetic Algorithm
遗传算法是一种进化算法，是为了克服梯度法在求解优化搜索问题中的不足而引入的一种元启发式算法。研究了0/1背包对遗传算法收敛性的影响。通过保持代数和初始种群的固定，不同的交叉方法，如一点交叉和两点交叉进行了评估和并列彼此。此外，不同的选择方法，如排名选择，轮盘赌轮和比赛选择的影响进行了评估和比较。我们的结果表明，一点交叉与锦标赛选择相结合的收敛速度最高，从而最有效地解决0/1背包问题，对于我们考虑的0/1背包。
2020-10-07 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
On Scalability of Multi-Objective Evolutionary Algorithms on Combinatorial Optimisation Problems
University of Birmingham（伯明翰大学）
本文研究了多目标进化算法在组合优化问题中的可扩展性，发现SEMO在大规模问题中收敛速度下降，缺乏交叉操作是其性能下降的主要原因。
2026-04-20 cs.NE
Seeding the Initial Population of Multi-Objective Evolutionary Algorithms: A Computational Study
大多数实验研究初始化的进化算法的人口与随机基因型。然而，在实践中，优化器通常是用先前已知的或根据某些特定问题的方法创建的良好候选解决方案来播种的。这种“播种”已经被广泛研究的单目标问题。然而，对于多目标问题，关于播种方法及其各自的优缺点的文献很少。在本文中，我们试图通过对常见实值测试函数的全面计算研究来缩小这一差距。我们调查的效果，两种播种技术的5个算法上的48个优化问题，2，3，4，6，和8个目标。我们观察到一些功能（例如，DTLZ4和LZ家族）显著受益于播种，而其他（例如，播种算法的优势还取决于所检验的算法。
2014-11-30 cs.NE
A Large Population Size Can Be Unhelpful in Evolutionary Algorithms
种群利用率是进化算法的重要特征之一。有许多研究分析了不同人口规模对EA绩效的影响。然而，除了少数情况外，大多数此类研究都是基于计算实验的。到目前为止，普遍的看法似乎是，一个大的人口将增加人口的多样性，从而帮助EA。事实上，当EA对于给定问题的表现不如预期时，增加种群大小一直是调优EA的常用策略。He和Yao（2002）从理论上证明了对于某些问题实例类，种群可以帮助将EA的运行时间从指数时间减少到多项式时间。本文分析了人口的作用，进一步在EA和严格表明，大人口可能并不总是有用的。本文讨论了大种群可能有害的条件。虽然理论分析是在一个多模态问题上使用特定类型的进化算法进行的，但它具有更广泛的含义。分析揭示了某些问题的特点，这可能是这里考虑的问题或其他问题，导致人口规模大的缺点。本文所提出的分析方法也可应用于其他问题的进化分析。
2012-08-11 cs.NE
Large Language Models as Evolutionary Optimizers
本文首次提出将大型语言模型作为进化组合优化器（LMEA），无需额外训练和领域知识，通过自适应温度机制平衡探索与利用，在20节点TSP问题上表现优于传统启发式方法。
2024-04-26 cs.NE
Investigating the effects Diversity Mechanisms have on Evolutionary Algorithms in Dynamic Environments
进化算法已成功地应用于各种优化问题在静态环境中。然而，许多现实世界的优化问题是在动态环境中设置的，其中成功标准定期变化。人口多样性影响算法性能，特别是在多目标和动态问题。多样性机制是以促进种群多样性的方式改变进化算法的方法。本计画的目的是测量与比较各种多样性机制对演化演算法在面对各种动态问题时的效能影响。
2016-10-09 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 multi-agent evolutionary robotics framework to train spiking neural networks
Purdue University（普渡大学）
一种新的多智能体进化机器人（ER）为基础的框架，灵感来自自然界中的竞争进化环境，证明了训练脉冲神经网络（SNN）。SNN群体的权重以及它们在ER环境中控制的机器人的形态参数被视为表型。该框架的规则选择某些机器人及其SNN进行繁殖，并根据它们在竞争环境中捕获食物的效率来消除其他机器人及其SNN。虽然机器人和它们的SNN没有通过任何损失函数获得生存或繁殖的明确奖励，但当它们进化为在这些规则内狩猎和生存时，这些驱动力会隐式地出现。它们捕获食物的效率作为世代的函数，表现出间断平衡的进化特征。两个进化遗传算法的表型，变异和交叉变异，演示。这些算法的性能进行了比较，使用合奏的100个实验，每个算法。我们发现，交叉与突变促进40%的速度比单纯的突变在SNN的学习具有统计学显着的利润率。
2020-12-07 cs.AI cs.NE
Deep Learning-Based Operators for Evolutionary Algorithms
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
该研究提出两种基于深度学习的领域无关遗传算子——用于遗传算法的深度神经交叉算子和用于遗传编程的BERT变异算子，分别借助深度强化学习编解码架构选基因、掩码替换节点提适应度，并通过实验验证了算子有效性。
2024-07-15 cs.LG cs.NE
Open Source Evolutionary Computation with Chips-n-Salsa
本文介绍开源 Java 库 Chips-n-Salsa 的进化计算模块，涵盖进化模型、算子、基准问题、自适应与并行执行，并依托 GitHub、Maven 及严格测试保障可复现性和代码质量。
2024-12-02 cs.MS cs.NE
A quantum genetic algorithm with quantum crossover and mutation operations
在字面意义上的进化量子计算的上下文中，迄今为止还没有引入量子交叉操作。在这里，我们介绍了一种新的量子遗传算法，它有一个量子交叉程序执行交叉之间的所有染色体并行每一代。复杂度分析表明，在处理每一代的运行时间的主导因素上，与经典算法相比，该算法实现了二次加速。
2013-11-22 cs.NE quant-ph
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
A Revisit of Infinite Population Models for Evolutionary Algorithms on Continuous Optimization Problems
无限种群模型是研究进化算法种群动力学的重要工具。它们描述了种群分布在连续几代之间的变化。一般来说，无限种群模型是从马尔可夫链中推导出来的，它利用了种群中个体之间的对称性，并分析了种群规模趋于无穷大时的极限。本文研究了求解连续优化问题的进化算法无限种群模型的理论基础。首先，我们证明了在一个被广泛引用的研究中的收敛性证明实际上是有问题的和不完整的。我们进一步表明，模型假设的交换的个人不能产生的过渡方程。然后，为了分析无限种群模型，我们建立了一个分析框架的基础上收敛的随机元素的分布，取值于度量空间的无限序列。该框架简洁，数学严谨。它还提供了一个基础设施，研究收敛的堆叠运营商和迭代算法，以前的研究未能解决。最后，我们利用该框架证明了无限种群模型中变异算子和$k$元重组算子的收敛性。我们表明，这些运营商可以提供准确的预测真实的人口动态的人口规模趋于无穷大，只要初始人口是相同的，独立分布。
2015-09-26 cs.NE math.OC
A multiplicity-preserving crossover operator on graphs. Extended version
进化算法通常通过交叉和变异来探索解的搜索空间。变异是对一个解的一个小的局部修改，而交叉是混合两个解的遗传信息来计算一个新的解。对于模型驱动优化（MDO），其中模型直接作为可能的解决方案（而不是首先将它们转换为另一种表示），直到最近才开发出一种通用的交叉算子。使用图作为模型的正式基础，我们进一步完善这个操作，以这样一种方式，额外的良构性约束被保留：我们证明，给定两个模型，满足一组给定的多重性约束作为输入，我们的改进交叉算子计算两个新的模型作为输出，也满足一组约束。
2022-08-23 cs.NE cs.SE
ParetoTracker: Understanding Population Dynamics in Multi-objective Evolutionary Algorithms through Visual Analytics
本文提出ParetoTracker可视分析框架，通过多层次分析方案和集成式可视界面，帮助用户理解多目标进化算法中的种群动态与进化机制，并在基准优化问题上验证其有效性。
2024-08-08 cs.HC cs.NE
Parent Selection Mechanisms in Elitist Crossover-Based Algorithms
University of Passau（帕绍大学）
本文提出了一种精英交叉算法的父代选择策略，通过优先选择最大距离的父代进行交叉，以解决Jump_k问题并改进时间复杂度。
2026-04-09 cs.AI cs.NE
Multiple simultaneous solution representations in a population based evolutionary algorithm
用于优化中的解决方案的表示可以对优化方法的性能具有显著影响。传统的基于种群的进化方法具有同质种群，其中所有解使用相同的表示。如果要考虑不同的表示，则需要不同的运行来研究相对性能。在本文中，我们说明了使用人口为基础的进化方法，Fresa，灵感来自草莓植物的繁殖，它允许多种表示共存的人口。Fresa是用Julia语言实现的。Julia提供动态类型和多重分派。在多重分派中，调用的函数在运行时间由传递给它的参数类型动态地确定。这使得在植物繁殖算法中的关键步骤的通用实现成为可能，该算法允许异质种群。搜索过程，然后自动导致代表之间的竞争。一个简单的案例研究，从间歇反应器系统的操作条件的设计来说明异质人口为基础的搜索。
2021-06-09 cs.NE cs.SY eess.SY
