There is no fast lunch: an examination of the running speed of evolutionary algorithms in several languages
当一个进化算法工具或库使用C、C++、Java或Matlab以外的语言时，评论者或观众通常会根据这些其他语言的速度来质疑它的有用性，据称这些语言比上述语言慢。尽管速度并不是设计一个有用的进化算法应用程序所需的一切，但在本文中，我们将测量几种使用不同虚拟机和方法的几种语言中几种非常基本的进化算法操作的速度，并证明，事实上，解释型和编译型语言之间的速度没有很大差异，并且在某些情况下，解释型语言（如JavaScript或Python）可能比编译型语言（如Scala）更快，这使得它们值得用于进化算法实验。
2015-11-03 cs.NE cs.PF
Towards Running Time Analysis of Interactive Multi-objective Evolutionary Algorithms
本文首次对实用交互式多目标进化算法（R-NSGA-II）进行运行时间分析，证明其在OneMinMax和OneJumpZeroJump问题上渐近快于传统NSGA-II，并指出其可能失效的情形。
2023-10-15 cs.NE
Analysis of Speedups in Parallel Evolutionary Algorithms for Combinatorial Optimization
进化算法是解决各种组合问题的流行算法，因为它们易于应用并且通常产生良好的结果。岛屿模型通过使用不同的种群（称为岛屿）来并行进化，这些种群由图结构连接作为通信拓扑。每个岛屿定期将好的解决方案的副本传递给相邻的岛屿，这个过程称为迁移。我们认为岛屿模型的并行运行时间方面获得的加速从组合优化的问题：排序（作为最大化的排序），最短路径，和欧拉循环。考虑不同的搜索算子。结果表明，在何种设置和到何种程度的进化算法可以有效地并行化。在此过程中，我们还研究了岛屿模型如何处理高原。特别是，我们表明，自然设置导致指数与对数加速，这取决于迁移的频率。
2011-09-08 cs.NE
A Parallel Divide-and-Conquer based Evolutionary Algorithm for Large-scale Optimization
本文提出一种基于并行分治策略的进化算法，通过同时求解子问题兼顾解质量与并行计算效率，解决了现有方法在并行计算方案下需牺牲解质量的问题。
2018-12-06 cs.NE
How to Read Many-Objective Solution Sets in Parallel Coordinates
快速发展的进化算法在处理多目标优化问题需要可行的方法可视化的高维解决方案集。平行坐标法就是这样一种方法，它可以很好地处理高维数据，并且经常被用于进化多目标优化。然而，平行坐标图并不像经典散点图那样直接地呈现解决方案集中包含的信息。本文从比较解集的质量、了解解集的形状和分布、反映目标之间的关系等方面对平行坐标图进行了一些观察。我们希望这些意见可以提供一些指导方针，在进化多目标优化的适当使用平行坐标。
2017-04-30 cs.NE
Towards Analyzing Crossover Operators in Evolutionary Search via General Markov Chain Switching Theorem
进化算法模拟自然界物种的进化过程，用于求解优化问题。杂交（又称重组）是模拟动物交配生殖中的染色体交换现象而产生的，在进化代数中被广泛应用于产生后代解，其有效性已在实际应用中得到了验证。然而，由于交叉算子的不规则性和变异过程中复杂的交互作用，使得交叉算子的分析比较困难，理论研究较少。因此，分析交叉不仅有助于理解进化算法，而且有助于开发新的技术来分析复杂的元启发式算法。本文推导了广义马尔可夫链切换定理（GMCST），为交叉使能EA的理论研究提供了理论基础。该定理允许我们从一个易于分析的EA分析一个复杂EA的运行时间。使用该工具，我们分析了LeadingOnes和OneMax问题上的带有几个交叉算子的EA，这两个问题对于仅突变EA来说是研究得很好的问题，但是对于启用交叉的EA来说几乎没有结果。首先推导了带交叉算子的（2+2）-EA的运行时间上界;然后研究了只变异（2：2）-EA和带交叉算子（2：2）-EA的运行时间差;最后提出了只在必要时才应用交叉算子的策略，改进了只变异（2：2）-EA和全时交叉（2：2）-EA.理论结果进行了实验验证.
2012-04-26 cs.NE
Average Drift Analysis and Population Scalability
研究了种群规模对进化算法计算时间的影响。进化算法的计算时间可以通过期望的代数（命中时间）或期望的适应度评估数（运行时间）来衡量，以找到最优解。群体可伸缩性是基准算法和使用较大群体大小的算法之间的预期命中时间的比率。平均漂移分析，比较两种算法的预期命中时间和估计人口可扩展性的上下界。几个直观的信念进行了严格的分析。证明了：（1）使用种群有时会增加而不是减少期望命中时间;（2）使用种群不能缩短单峰函数上的任何精英进化算法的期望运行时间，但在基于距离的适应度景观下，这是不正确的;（3）在完全欺骗函数上，使用种群并不总是能减少期望运行时间，这取决于使用精英选择或随机选择的基准算法。
2016-06-14 cs.NE
Scalable Feature Subset Selection for Big Data using Parallel Hybrid Evolutionary Algorithm based Wrapper in Apache Spark
由于大数据集的出现，应用当前的顺序包装器为基础的特征子集选择（FSS）算法增加了复杂度。这种限制促使我们提出了一个包装器的特征子集选择（FSS）的基础上，并行和分布式混合进化算法（EA）在Apache Spark环境下。混合进化算法是基于BDE和二进制阈值接受（BTA），一个基于点的EA，这是调用，以提高搜索能力，避免过早收敛的PB-DE。因此，我们设计了混合变体（i）并行二进制差分进化和阈值接受（PB-DETA），其中DE和TA在每次迭代中协同工作，以及（ii）并行二进制阈值接受和差分进化（PB-TADE），其中TA和DE在Apache Spark环境下的每次迭代中协同工作。PB-DETA和PB-TADE均与基线进行比较，即，二进制差分进化（PB-DE）的并行版本。所有三种方法都使用逻辑回归（LR）来计算适应度函数，即ROC曲线下面积（AUC）。所提出的算法的有效性进行了测试，在不同的特征空间维度的五个大的数据集，从网络安全和生物领域。值得注意的是，与PB-DE和PB-DETA相比，PB-TADE具有统计学显著性。我们报告了加速分析，最重复的特征子集，具有高AUC和最小基数的特征子集获得的平均AUC。
2022-01-25 cs.NE
Automated Configuration of Genetic Algorithms by Tuning for Anytime Performance
对于给定的优化问题，寻找算法超参数的最佳配置是演化计算的一个重要任务。在这项工作中，我们比较了四种不同的超参数调整方法的一个家庭的遗传算法的25个不同的伪布尔优化问题的结果。更确切地说，我们比较以前获得的结果，从网格搜索与三个自动配置技术：迭代赛车，混合整数并行高效全局优化，和混合整数进化策略。使用两个不同的成本度量，预期的运行时间和经验累积分布函数曲线下的面积，我们发现，在几种情况下，最好的配置相对于预期的运行时间时，使用经验累积分布函数曲线下的面积作为成本度量在配置过程中。我们的研究结果表明，即使在预期的运行时性能感兴趣，它可能是最好的配置任务使用随时性能措施。我们还观察到，调整预期的运行时间是更敏感的预算分配给目标算法。
2022-03-17 cs.NE
Pearl: Parallel Evolutionary and Reinforcement Learning Library
Imperial College London（帝国理工学院）
强化学习越来越多地在问题可以表示为马尔可夫决策过程的领域中取得成功。事实证明，演化计算算法在该领域也取得了成功，表现出与通常更复杂的强化学习相似的性能。虽然存在许多开源的强化学习和演化计算库，但没有公开可用的库将这两种方法结合起来以增强比较，合作或可视化。为此，我们创建了Pearl（https：//github.com/LondonNode/Pearl），这是一个开源Python库，旨在让研究人员快速方便地执行优化的强化学习、演化计算以及两者的组合。Pearl中的主要功能包括：模块化和可扩展组件、定制模块设置、Tensorboard集成、自定义回调和全面的可视化。
2022-01-24 cs.LG cs.NE
Infrastructure Deployment in Vehicular Communication Networks Using a Parallel Multiobjective Evolutionary Algorithm
针对车载通信网络路侧基础设施选址问题，提出兼顾服务质量与成本的多目标建模方法，采用多目标进化算法求解，在马拉加真实场景实验中性能优于现有先进算法。
2025-01-17 cs.NE cs.NI
On the Parallels Between Evolutionary Theory and the State of AI
École Polytechnique Fédérale de Lausanne（联邦理工学院洛桑分校）
本文通过类比现代AI与20世纪进化生物学的现代综合论，提出借鉴进化发育生物学的洞见来构建AI新设计范式，以克服当前局限并实现其期望目标。
2025-05-13 cs.LG cs.NE nlin.AO
A Lower Bound Analysis of Population-based Evolutionary Algorithms for Pseudo-Boolean Functions
进化算法是一种基于种群的通用优化算法，已成功应用于各种现实优化任务中。然而，以前的理论研究往往采用EA只有一个父母或后代的人口，并专注于特定的问题。此外，它们通常只显示运行时间的上限，而下限对于完整理解算法也是必要的。本文分析了（$μ$ + $λ$）-EA（一种基于种群的只带变异的进化算法）在具有唯一全局最优解的伪布尔函数类上的运行时间。应用最近提出的开关分析方法，我们首次证明了下限$Ω(n \ln n+ μ+ λn\ln\ln n/ \ln n)$。特别是在两个广泛研究的问题上，OneMax和LeadingOnes，导出的下限公开了当群体大小$μ$或$λ$高于中等数量级时，（$μ$ + $λ$）-EA将严格慢于（1+1）-EA。我们的研究结果意味着，人口规模的增加，而通常在实践中所需的，承担的风险增加的运行时间的下限，因此应该仔细考虑。
2016-06-10 cs.CC cs.NE
A Frequency-based Parent Selection for Reducing the Effect of Evaluation Time Bias in Asynchronous Parallel Multi-objective Evolutionary Algorithms
Faculty of System Design, Tokyo Metropolitan University（东京都立大学系统工程设计学部）
本文提出一种基于频率的父代选择方法，用于减少异步并行多目标进化算法中评估时间偏差对搜索性能的负面影响。
2022-12-14 cs.DC cs.NE
Optimal-margin evolutionary classifier
我们介绍了一种新的方法，利用进化算法的判别分类。首先，我们提出了一种算法，以优化的总损失值使用一个修改的0-1损失函数在一维空间的分类。然后，我们扩展这个算法的多维分类使用进化算法。所提出的进化算法的目的是找到一个超平面，最好的分类实例，同时最大限度地减少分类风险。我们测试了粒子群优化算法，进化策略，协方差矩阵自适应进化策略的优化目的。最后，我们比较了我们的结果与完善的和国家的最先进的分类算法，二进制和多类分类，对19个基准分类问题，有和没有噪音和离群值。结果表明，该算法的性能是显着的（t检验）优于所有其他方法在几乎所有的测试问题。我们还表明，该算法是显着更强大的噪声和离群值相比，其他方法。该算法的运行时间是在一个合理的范围内，为现实世界的分类问题的解决。
2018-04-26 cs.NE
Scalable Multiple Patterning Layout Decomposition Implemented by a Distribution Evolutionary Algorithm
本文提出一种基于概率模型群体的分布式进化算法(DEA-PPM)来解决多重图案光刻的布局分解问题，将其建模为广义图着色问题，该算法在分解结果与运行时间间取得平衡，具有可扩展性，为下一代技术节点提供替代方案。
2023-04-09 cs.NE
Fast energy-aware OLSR routing in VANETs by means of a parallel evolutionary algorithm
Universidad de la República（乌拉圭共和国大学）
针对车载网络OLSR路由协议功耗优化问题，提出一种借助并行进化算法快速搜寻高能效OLSR配置的方法，实验证明其能在QoS无明显损失的前提下显著降低功耗。
2025-01-17 cs.AI cs.NE cs.NI
A Decomposition-Based Many-Objective Evolutionary Algorithm with Local Iterative Update
已有的研究表明，传统的基于分解的多目标进化算法在求解多目标优化问题时可能会失去种群多样性。本文提出了一种简单的基于分解的局部迭代更新MOEA算法。LIU策略具有两个特征，期望驱动种群接近具有良好分布的帕累托前沿。一个是，只有当前邻域中最差的解被新生成的后代替换掉，防止种群被少数个体的副本占据。另一个是它的迭代过程有助于为子问题分配更好的解，这有利于充分利用解与相邻子问题的相似性，在搜索空间中探索局部区域。此外，该算法的时间复杂度是相同的MOEA/D，并低于其他已知的MOEA，因为它只考虑在当前邻域内的个人在每次更新。该算法进行了比较，从两个著名的测试套件DTLZ和WFG选择的问题上的几个最好的MOEA。实验结果表明，该算法在DTLZ 4上只有少数运行实例失去了种群多样性。此外，该算法在运行时间和解决方案质量方面赢得了大多数测试实例，表明它在解决MaOP问题方面非常有效。
2018-06-27 cs.NE
EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization
本文介绍了进化优化代码EOS的主要特点，进化优化在Sapienza，它的成功应用于具有挑战性的，现实世界的空间轨迹优化问题。EOS是一种全局优化算法，用于求解实值变量的约束和无约束问题。它实现了一些著名的差分进化（DE）算法的改进，即自适应的控制参数，流行病机制，聚类技术，一个$\varepsilon$约束的方法来处理非线性约束，和一个同步岛模型来处理多个种群并行。研究结果表明，与现有的单种群自适应差分进化算法相比，该算法在求解高维空间或高约束空间的轨迹优化问题时具有更高的性能.
2020-07-13 cs.DC cs.NE math.OC
Sequential, Parallel and Consecutive Hybrid Evolutionary-Swarm Optimization Metaheuristics
该研究对比了串行、并行、接续式混合PSO-GA元启发式算法与基础算法在多维度基准函数上的表现，证实混合算法收敛性与稳定性更优，还提出了带显式信息传递机制的新型接续混合PSO-GA算法。
2025-08-01 cs.NE math.OC
General-Purpose Co-Evolutionary Construction of Parallel Algorithm Portfolios for Multi-Objective Binary Optimization
Southern University of Science and Technology（南方科技大学）；Zhongguancun Academy（中关村研究院）
本文提出DACMO方法，通过神经实例表示架构和LLM自动搜索算子生成，解决多目标二进制优化问题中的通用并行算法组合构建问题，实验显示其在四个问题类上均表现优异。
2026-05-15 cs.NE
Java Implementation of a Parameter-less Evolutionary Portfolio
的Java实现的无参数进化算法的投资组合。无参数进化投资组合实现了一个启发式，执行自适应选择的参数少的进化算法，根据性能标准，在运行时测量。目前，该组合包括三种无参数进化算法：无参数单变量边际分布算法、无参数扩展紧致遗传算法和无参数分层贝叶斯优化算法。初步的实验表明，无参数的投资组合可以解决各种类型的问题，而不需要任何事先的参数设置技术，并增加计算工作量，可以被认为是可以接受的。
2015-06-26 cs.MS cs.NE
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
Running Time Analysis of the Non-dominated Sorting Genetic Algorithm II (NSGA-II) using Binary or Stochastic Tournament Selection
进化算法已被广泛应用于解决多目标优化问题，并已成为最流行的工具。然而，多目标进化分析的理论基础，特别是其基本理论方面，运行时间分析，在很大程度上仍然不发达。现有的几个理论工作主要考虑简单的MOEA，而非支配排序遗传算法II（NSGA-II），可能是最有影响力的MOEA，还没有分析，除了最近的工作考虑一个简化的变体没有交叉。在本文中，我们提出了一个运行时间分析的标准NSGA-II解决LOTZ，OneMinMax和COCZ，三个常用的双目标优化问题。具体来说，我们证明了预期的运行时间（即，适合度评估的数量）是LOTZ的$O(n^3)$，以及OneMinMax和COCZ的$O(n^2\log n)$，这令人惊讶地与先前分析的简单MOEA、GSEMO和SEMO的相同。接下来，我们介绍一种新的父选择策略，随机锦标赛选择（即，$k$锦标赛选择，其中$k$是均匀随机抽样），以取代NSGA-II的二进制锦标赛选择策略，减少所需的预期运行时间为$O(n^2)$的所有三个问题。实验结果表明，LOTZ的运行时间上界是紧的，OneMinMax和COCZ的运行时间上界几乎是紧的.
2022-03-22 cs.NE
Fully Tensorized GPU-accelerated Multi-population Evolutionary Algorithm for Constrained Multiobjective Optimization Problems
National University of Defense Technology（国防科技大学）；Hunan Key Laboratory of Multi-energy System Intelligent Interconnection Technology（多能系统智能互联技术湖南省重点实验室）；Xiangjiang Laboratory（湘江实验室）；Tsinghua University（清华大学）
本文提出了一种完全张量化的GPU加速多种群进化算法GMPEA，用于高效解决时间敏感的约束多目标优化问题，通过并行化方法提升计算效率和解的质量。
2025-09-24 cs.NE
Beyond Speedups: Hardware-Aware Evaluation of Evolutionary Algorithms on GPUs
Southern University of Science and Technology（南方科技大学）；Pengcheng Laboratory（鹏城实验室）；The Hong Kong Polytechnic University（香港理工大学）；The Hong Kong Polytechnic University Shenzhen Research Institute（香港理工大学深圳研究院）；The Hong Kong Polytechnic University-Daya Bay Technology and Innovation Research Institute（香港理工大学-大亚湾技术与创新研究院）
通过硬件感知评估，研究GPU上16种进化算法在30个基准问题上的扩展行为，发现加速效果因算法机制而异，时间预算评估和种群规模缩放对优化性能至关重要。
2026-06-12 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
Complexity Theory for Discrete Black-Box Optimization Heuristics
在进化算法理论中的一个主要课题，更一般地说，随机黑盒优化技术的理论是运行时间分析。运行时分析旨在通过限制启发式算法识别所需质量的解决方案所需的函数评估数量来了解给定启发式算法在给定问题上的性能。在一般的算法理论中，这种运行时间的观点是最有用的，当它被一个有意义的复杂性理论，研究算法解决方案的限制。在离散黑箱优化的背景下，已经开发了几个黑箱复杂性模型来分析黑箱优化算法在给定问题上可以实现的最佳性能。这些模型在这些下限适用的算法类别上有所不同。通过这种方式，黑盒复杂性有助于更好地理解某些算法选择（例如启发式算法使用的内存量，其选择压力或用于创建新候选解决方案的策略属性）如何影响性能。在这一章中，我们回顾了不同的黑盒复杂性模型，已在文献中提出，调查这些模型的界限，并讨论如何运行时间分析和黑盒复杂性的相互作用，可以激发新的算法解决方案，充分研究的问题，在演化计算。在本章中，我们还讨论了未来工作中几个有趣的开放问题。
2018-06-11 cs.NE
A mullti- or many- objective evolutionary algorithm with global loop update
近年来，多目标进化算法，特别是基于分解的多目标进化算法得到了广泛的关注。基于分解的MOEA强调收敛性和多样性在一个简单的模型，并取得了巨大的成功，在处理理论和实际的多目标或多目标优化问题。在本文中，我们着重于基于分解的MOEA的更新策略，以及它们的比较标准。分析和讨论了基于局部更新策略的MOEA分解算法的三个缺点和现有的几个比较解的标准。提出了一种全局循环更新策略和两种混合准则。随后，一个进化算法的全局循环更新的实现和比较的几个最好的多目标或多目标优化算法在两个著名的无约束测试套件多达15个目标。实验结果表明，与采用局部更新策略的进化算法不同，该算法的种群在进化过程中不会退化，保证了种群的多样性.此外，我们的算法赢得了在大多数情况下的两个测试套件，这表明它是非常有竞争力的收敛性和多样性。我们的算法与不同的标准比较解决方案的运行结果进行了比较。它们的差异是非常显着的，表明我们的算法的性能受到它所采用的标准。
2018-01-25 cs.NE
An Evolutionary Stochastic-Local-Search Framework for One-Dimensional Cutting-Stock Problems
我们引入了一个进化的随机局部搜索（SLS）算法来解决所谓的1/V/D/R下料问题的广义版本。在工业环境中经常会遇到切削库存问题，有效解决这些问题的能力通常会带来巨大的经济效益。传统的基于线性规划的技术已被用来解决这些问题，但它们的灵活性可能会受到限制时，非线性约束和目标函数的介绍。为此，本文提出了一种解决一维下料问题的进化SLS算法。的贡献在于引入一个灵活的结构框架的优化，可以容纳一个大家庭的多元化战略，包括一个新的并行模式适合SLS算法（不一定限于切割股票的问题）。最后，我们通过实验证明在现实世界中的制造问题所考虑的多元化战略的成本降低的好处。
2017-07-27 cs.NE
Adaptive Knowledge-based Multi-Objective Evolutionary Algorithm for Hybrid Flow Shop Scheduling Problems with Multiple Parallel Batch Processing Stages
本文研究具有并行批处理机器的混合流水车间调度问题（PBHFSP），提出基于自适应知识的多目标进化算法（AMOEA/D），通过混合初始化、关键路径邻域搜索及自适应搜索时间调整等策略，同时优化最大完工时间和总能耗，实验证明其优于现有先进算法。
2024-09-27 cs.NE cs.SY eess.SY
Subpopulation Diversity Based Selecting Migration Moment in Distributed Evolutionary Algorithms
在分布式进化算法中，迁移间隔被用来确定迁移矩。然而，由时间间隔预先确定的迁移时刻并不能与演化的动态情况相匹配。本文提出了一种基于子种群多样性的迁移成功率设置方案。在该计划下，移民仍然会间隔时间发生，但移民进入目标亚人口的概率将根据拟议的公式由该亚人口的多样性决定。分析表明，我们的方案的时间消耗是可以接受的。在我们的实验中，并行的基础是旅行商问题的进化算法。在不同的参数值组合的公式，8个基准实例的分布式进化算法的结果与传统的一个，分别进行了比较。结果表明，基于该方案的分布式进化算法在求解高难度问题时具有明显的优势。此外，可以看出，该方案的算法具有最突出的性能在上述参数的三个值组合的公式。
2017-01-05 cs.NE
A Parallel MOEA with Criterion-based Selection Applied to the Knapsack Problem
在本文中，我们提出了一个并行多目标进化算法称为并行标准为基础的分区MOEA（PCPMOEA），与应用程序的多目标背包问题（MOKP）。建议的搜索策略是基于潜在的有效解，这是分布到多个多目标进化算法（MOEAs）的周期性分区。每个MOEA都致力于一个单一的目标，其中它结合了基于标准和基于优势的方法。该算法解决了两个主要的子目标：最小化当前非支配解与理想点之间的距离，并确保潜在的有效解的传播。包括实验结果，我们评估的性能，建议的算法对上述子目标，与国家的最先进的结果相比，使用著名的多目标元分析。
2018-11-06 cs.NE math.OC
A parallel evolutionary algorithm to optimize dynamic memory managers in embedded systems
针对嵌入式系统动态内存管理器选择难、现有遗传编程优化方法计算耗时长的问题，提出基于SOA框架下DEVS形式化的并行进化算法，实现86.40倍加速比且DMM整体质量提升36.36%。
2024-06-28 cs.NE cs.OS
Maximizing Submodular or Monotone Approximately Submodular Functions by Multi-objective Evolutionary Algorithms
Nanjing University（南京大学）；Southern University of Science and Technology（南方科技大学）
进化算法是一种受自然启发的通用优化算法，在解决各种实际优化问题中表现出了良好的性能。在过去的二十年中，有希望的结果上的运行时间分析（一个重要的理论方面）的EA已经获得，而他们中的大多数集中在孤立的组合优化问题，这并不反映通用的性质EA。为了对进化算法的行为提供一个一般的理论解释，我们需要研究它们在一般组合优化问题上的性能。据我们所知，唯一的结果朝着这个方向是可证明的良好的近似保证EA的最大化单调次模函数与拟阵约束的问题类。这项工作的目的是促进这一研究路线。考虑到许多组合优化问题涉及非单调或非次模目标函数，本文研究了一般问题类：带/不带尺寸约束的最大化次模函数和带尺寸约束的最大化单调近似次模函数。我们证明了一个名为GSEMO-C的简单多目标EA通常可以在多项式预期运行时间内实现良好的逼近保证。
2022-11-28 cs.AI cs.CC cs.DS
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
NodIO, a JavaScript framework for volunteer-based evolutionary algorithms : first results
JavaScript是一种解释语言，主要以其包含在Web浏览器中而闻名，使其成为基于富Internet的应用程序的容器。这激发了它的使用，很长一段时间，作为进化算法的工具，主要是在基于浏览器的志愿者计算环境中。迄今为止，还出版了几个图书馆，并已投入使用。然而，在过去的几年里，人们对该语言的兴趣又重新抬头，成为最受欢迎的语言之一，从而促进了其实现的改进，这些实现现在是许多新的客户端-服务器应用程序的基础。我们提出了这样一个应用程序运行分布式志愿者为基础的进化算法实验，我们做了一系列的测量，以建立进化算法的速度JavaScript，可以作为基线与其他分布式计算实验进行比较。这些实验使用了不同的整数和浮点问题，并证明了JavaScript的速度实际上与进化算法从业者常用的其他语言具有竞争力。
2016-01-07 cs.DC cs.NE
evosax: JAX-based Evolution Strategies
Technical University Berlin（柏林工业大学）
“硬件彩票”极大地加速了深度学习革命：现代硬件加速器和编译器的最新进展为大规模批量梯度优化铺平了道路。另一方面，进化优化主要依赖于CPU并行性，例如使用Dask调度和分布式多主机基础设施。在这里，我们认为，现代演化计算也可以显着受益于GPU和TPU提供的大规模计算吞吐量。为了更好地利用这些资源并实现下一代黑盒优化算法，我们发布了evosax：一个基于JAX的演化策略库，它允许研究人员利用强大的功能转换，如即时编译、自动向量化和硬件并行化。Evosax实现了30种进化优化算法，包括基于有限差分的估计分布演化策略和各种遗传算法。每个算法都可以直接在硬件加速器上执行，并使用单行代码在设备上自动矢量化或并行化。它以模块化的方式设计，并允许通过简单的ask-evaluate-tell API灵活使用。因此，我们希望促进新一波的可扩展的进化优化算法。
2022-12-08 cs.AI cs.NE
Evolutionary Strategy Guided Reinforcement Learning via MultiBuffer Communication
University of Galway（戈尔韦大学）
本文提出一种结合进化策略与TD3的进化强化学习模型，通过多缓冲区通信机制避免低质量轨迹污染回放缓冲区，在MuJoCo任务上超越CEM-RL。
2023-06-20 cs.AI 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
On Asynchronous Non-Dominated Sorting for Steady-State Multiobjective Evolutionary Algorithms
在并行和分布式环境中，世代进化算法往往不利用计算系统的全部潜力，因为它们必须等到整个人口进行评估，然后才开始选择程序。稳态算法通常被视为解决这个问题的一种方法，因为适应度评估可以由多个线程以异步方式完成。但是，如果算法以复杂的方式更新其状态，线程最终将不得不等待更新完成。在多目标进化算法中，状态更新过程的计算开销很大。我们已经实现了一个异步稳态版本的NSGA-II算法。它最昂贵的部分，非支配排序，决定了更新状态所需的时间。我们把现有的增量非支配排序算法变成一个异步的使用几个并发技术：一个单一的入口级锁，细粒度的锁与非支配级别，和一个非阻塞的方法，使用比较和设置操作。我们的实验结果揭示了算法的工作效率和实现的并行量之间的权衡。
2018-04-14 cs.DS cs.NE
Evolutionary Acyclic Graph Partitioning
有向图被广泛用于流应用中的数据流和执行依赖性建模。这使得利用图分区算法的问题，并行计算的多处理器架构。然而，由于资源的限制，分区上的非循环约束是必要的映射流应用程序时，嵌入式多处理器。在这里，我们贡献了一个多级算法的无环图划分问题。在此基础上，我们设计了一个进化算法，以进一步降低通信成本，以及改善负载均衡和调度的最大完工时间的嵌入式多处理器架构。
2017-09-25 cs.DS cs.NE
Running Time Analysis of the (1+1)-EA for Robust Linear Optimization
进化算法（EA）已经发现了许多成功的实际应用，其中的优化问题往往受到广泛的不确定性。为了从理论上理解进化算法的实际行为，有一系列的努力致力于分析不确定性下优化的进化算法的运行时间。现有的研究主要集中在噪声和动态优化，而另一种常见的不确定优化，即，鲁棒优化，很少被触及。在本文中，我们分析了（1+1）-EA解决鲁棒线性优化问题（即，鲁棒场景下的线性问题）具有基数约束$k$。两种常见的稳健方案，即，删除鲁棒性和最坏情况，被认为是。特别是，我们推导出严格的范围内的强大的参数$d$或预算$k$允许（1+1）-EA找到一个最佳的解决方案，在多项式运行时间，这揭示了潜在的EA强大的优化。
2022-12-06 cs.CC cs.NE math.OC
Evolutionary Reinforcement Learning via Cooperative Coevolutionary Negatively Correlated Search
Southern University of Science and Technology（南方科技大学）
本文提出NCS友好的协同协同进化框架，以扩展负相关搜索并保留其并行探索行为，在10个Atari游戏上以少50%计算时间显著优于三种最先进深度强化学习方法。
2020-09-08 cs.LG cs.NE
A collaborative decomposition-based evolutionary algorithm integrating normal and penalty-based boundary intersection for many-objective optimization
Guangzhou University（广州大学）；South China University of Technology（华南理工大学）
近年来，基于分解的进化算法在多目标优化问题中得到了广泛的应用。然而，现有的分解方法对多目标优化问题边界形状的多样性仍然十分敏感。一方面，锥分解方法，如基于惩罚的边界相交（PBI）是无法获得均匀的边界与非常凸的边界的MaOP。另一方面，包括正常边界相交（NBI）的平行分解方法的平行参考线可能会导致差的多样性，因为在具有凹边界的MaOP的边界附近的采样不足。本文首先提出了一种协同分解方法，该方法综合了并行分解和锥分解的优点，克服了各自的缺点。该方法继承了NBI型切比雪夫函数作为收敛度量，提高了PBI方法的收敛性和分布均匀性。此外，该方法还自适应调整的程度旋转NBI参考线对PBI参考线的每个子问题，以提高分布的多样性的NBI方法。在此基础上，提出了一种基于协同分解的多目标优化进化算法（CoDEA）。在CoDEA中设计了一种基于协作分解的环境选择机制，对边界层中与同一PBI参考线相关的所有个体进行排序，并选出最佳排序。在85个基准测试实例上将CoDEA与几种流行的算法进行了比较。实验结果表明，CoDEA算法在收敛性、均匀性和分布多样性之间保持了较好的平衡，具有较高的竞争力。
2022-04-14 cs.AI cs.NE
SEvoBench : A C++ Framework For Evolutionary Single-Objective Optimization Benchmarking
University of Science and Technology Liaoning（辽宁科技大学）
SEvoBench是一个C++框架，通过模块化PSO和DE算法、并行执行及SIMD向量化，实现高效可复用的进化单目标优化算法基准测试，并支持算法混合与参数分析。
2025-05-23 cs.AI cs.MS cs.NE
When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges
Xidian University（西安电子科技大学）；School of Artificial Intelligence（人工智能学院）
本文从微观概念对应和宏观跨学科研究两个层面，系统分析了大型语言模型与进化算法的相似性、结合机会及关键挑战，为增强人工智能智能体能力提供方向。
2025-03-07 cs.AI cs.CL cs.LG
NeuroEvo: A Cloud-based Platform for Automated Design and Training of Neural Networks using Evolutionary and Particle Swarm Algorithms
Johns Hopkins University（约翰斯·霍普金斯大学）
进化算法为复杂搜索空间中的神经网络优化提供了独特的优势。本文介绍了一种新的网络平台，NeuroEvo（neuroevo.io），它允许用户交互式设计和训练神经网络分类器使用进化和粒子群算法。分类问题和训练数据由用户提供，在完成训练过程后，最佳分类器可供下载并在Python，Java和JavaScript中实现。NeuroEvo是一个基于云的应用程序，它利用GPU并行化来提高独立进化步骤（如变异，交叉和适应度评估）在整个种群中执行的速度。本文概述了训练算法和机会，为用户指定的设计决策和超参数设置。本文描述的算法也可作为Python包neuroevo（PyPI：https：//pypi.org/project/neuroevo/）提供。
2022-10-01 cs.LG cs.NE
BiERL: A Meta Evolutionary Reinforcement Learning Framework via Bilevel Optimization
Nanjing University（南京大学）；Tianjin University（天津大学）
本文提出基于双层优化的元进化强化学习框架BiERL，通过在单智能体内并行更新超参数与训练模型，并设计嵌入演化经验的种群表示及适应度评估，有效缓解了探索不足与模型崩溃问题，显著提升了多种ERL算法的学习性能。
2023-08-01 cs.AI cs.LG cs.NE
PasMoQAP: A Parallel Asynchronous Memetic Algorithm for solving the Multi-Objective Quadratic Assignment Problem
多目标优化问题（MOPs）在过去的几十年中受到越来越多的关注。多目标进化算法（MOEAs）由于能够逼近一组非支配的高质量解而被广泛用于求解MOP问题。多目标二次分配问题（Multi-Objective Quadratic Assignment Problem，mQAP）是一个多目标问题。mQAP是经典QAP的推广，已被广泛研究，并用于几个现实生活中的应用。mQAP被定义为具有作为输入的设施之间的几个流，其产生必须同时优化的多个成本函数。在这项研究中，我们提出了PasMoQAP，一个并行异步模因算法来解决多目标二次分配问题。PasMoQAP基于一个岛屿模型，通过创建子种群来构建种群。每个岛上的模因算法各自进化出一个减少的解决方案群体，它们通过将选定的解决方案发送到相邻的岛屿来异步合作。实验结果表明，我们的方法显着优于所有的岛屿为基础的变种的多目标进化算法NSGA-II。我们表明，PasMoQAP是一个合适的替代解决多目标二次分配问题。
2017-06-27 cs.DC cs.NE
