Applying Evolutionary Algorithms Successfully: A Guide Gained from Real-world Applications
一般而言，元算法（MH）和进化算法（EA）是成功优化困难问题的众所周知的工具。但是，什么时候他们的应用程序是有意义的，以及如何处理这样一个项目作为一个新手？如何避免初学者的错误，或者如何尽可能有效地使用元启发式搜索的设计可能性？本文基于进化算法GLEAM及其模因扩展HyGLEAM近30年的研究和应用，试图回答这些问题。这里收集和讨论的大多数经验也可以应用于其他元算法，如蚂蚁算法或粒子群优化。本文针对具有一般MH基本知识的用户，特别是想要将其应用于优化项目的EA。为此目的，在这样一个项目的过程中出现的一些问题得到解决。最后，讨论了一些非技术性的项目管理问题，其重要性往往被低估的项目成功。
2021-07-23 cs.NE
Graph based adaptive evolutionary algorithm for continuous optimization
目前广泛使用的进化算法的最大缺点是由于种群多样性在世代间的丧失而导致的过早收敛。为了克服这个问题，已经提出了几种算法，例如基于图的进化算法（GEA）\cite{1}，其使用图来对种群的结构进行建模，而且还设计了模因或差分进化算法\cite{2,3}或基于多样性的算法\cite{4,5}。这些算法都是基于多种群的，或者说往往侧重于自调整参数，然而，他们变得复杂，因为他们的大量参数调整。在本文中，我们的方法包括一个进化算法，它允许一个动态适应的搜索算子的基础上的图，以限制多样性的损失，降低设计的复杂性。
2019-08-05 cs.DC cs.NE
Niching-based Evolutionary Diversity Optimization for the Traveling Salesperson Problem
在这项工作中，我们考虑的问题，找到一组旅游的旅行推销员问题（TSP）的实例最大限度地提高多样性，同时满足给定的成本约束。本研究旨在探讨小生境应用的有效性，以最大限度地提高多样性，而不是简单地维持it. To为此，我们介绍了一个2阶段的方法，其中一个简单的小生境模因算法（NMA），来自国家的最先进的多解TSP，与基线多样化算法相结合。建议的NMA最显着的特点是使用随机改进的本地搜索，而不是2-op. TSPLIB实例我们的实验表明，虽然我们的NMA进化的人口往往包含集群在严格的质量限制，他们经常占据遥远的盆地的吸引力，而不是附近的地区，提高基线多样化的总和多样性。与原来的NMA相比，我们的，尽管它的简单，发现更远的解决方案，更高的质量在更短的运行时间内，由一个很大的利润。
2022-04-19 cs.NE
Selecting Miners within Blockchain-based Systems Using Evolutionary Algorithms for Energy Optimisation
在本文中，我们将在基于区块链的系统中选择矿工的问题表示为子集选择问题。我们将最小化区块链能耗的问题表述为具有两个相互冲突的目标的优化问题：能耗和信任。该模型在不同的算法进行比较，以证明其性能。
2021-06-06 cs.NE
A Memetic Algorithm based on Variational Autoencoder for Black-Box Discrete Optimization with Epistasis among Parameters
School of Engineering（工学系）；Tokyo Institute of Technology（东京技术大学）；School of Computing（计算机学系）
针对参数间存在上位效应的黑盒离散优化问题，提出一种结合变分自编码器采样与局部搜索的模因算法，有效解决高维问题并降低计算开销，在 NK 景观上优于现有方法。
2025-04-30 cs.LG cs.NE
Evolutionary n-level Hypergraph Partitioning with Adaptive Coarsening
超图划分是一个NP难问题，它发生在许多计算机科学应用中，需要将大问题简化为许多较小的、计算上易处理的子问题。当前技术使用多级方法，其中在将超图压缩到预定级别之后执行初始划分。通常选择该级别来生成非常粗糙的超图，其中启发式算法快速有效。本文提出了一种新的模因算法，仍然是有效的较大的初始超图。这使得能够利用粗化过程中可能丢失的信息，并提高最终解决方案的质量。我们使用该算法提出了一个经验分析的空间可能的初始超图在其搜索能力在不同程度的粗化。我们发现，最好的结果出现在每个超图独特的粗化水平。在此基础上，我们引入了一个自适应方案，停止粗化时，在超图的信息丢失率变得非线性，并表明，这产生进一步的改善。结果表明，我们已经确定了一个有价值的作用，进化算法在当前国家的最先进的超图划分框架。
2019-02-10 cs.DC cs.NE
A reinforcement learning guided hybrid evolutionary algorithm for the latency location routing problem
针对延迟位置路由问题，提出一种强化学习引导的混合进化算法，结合多样性增强交叉与强化学习引导邻域下降，在76个实例中改进了51个最优解，显著超越现有方法。
2024-03-21 cs.DM cs.NE
An Estimation of Distribution Algorithm with Intelligent Local Search for Rule-based Nurse Rostering
本文提出了一种新的模因进化算法，以实现明确的学习规则为基础的护士排班，其中包括应用一组启发式规则，每个护士的分配。该算法的主要框架是一个估计的分布算法，其中的蚂蚁矿工的方法，提高在每一代产生的个人解决方案。与我们以前的工作（其中学习是隐式的）不同，分布算法的模因估计中的学习是显式的，即我们能够直接识别构建块。整体方法通过构建概率模型来学习，即用于构建时间表的个体护理规则对的概率分布的估计。本地搜索处理器（即蚂蚁挖掘器）加强获得更高奖励的护士规则对。一个具有挑战性的现实世界护士排班问题被用作测试问题。计算结果表明，所提出的方法优于大多数现有的方法。本文所提出的学习方法可应用于其它按特定规则系统地建立时间表的排序问题
2008-03-03 cs.CE cs.NE
The Effect of Epigenetic Blocking on Dynamic Multi-Objective Optimisation Problems
University of Southampton（南安普顿大学）；National Oceanography Centre（国家海洋学中心）；The Alan Turing Institute（艾伦·图灵研究所）
已有数百种演化计算方法被报道。从进化的角度来看，他们集中在两个基本机制：文化继承群体智能和遗传进化算法。当代进化生物学超越了遗传，提出了所谓的“扩展进化合成”。扩展进化合成的许多概念已经被排除在演化计算之外，因为人们的兴趣已经转向相同的通用机制的特定实现。其中一个概念是表观遗传，它越来越被认为是进化思想的核心。表观遗传机制允许对环境变化的快速非遗传或部分遗传适应。动态多目标优化问题代表了与自然世界相似的情况，其中适应度可以由多个目标（特征）确定，并且环境不断变化。本文探讨了表观遗传在自然界中提供的优势是否可以在动态多目标优化问题中复制。具体而言，表观遗传阻塞机制应用于国家的最先进的多目标遗传算法，MOEA/D-DE，其性能进行了比较三套动态测试功能，FDA，JY，和UDF。该机制在16个测试问题中的12个上显示出改进的性能，提供了初步证据，表明更多的算法应该探索自然世界中丰富的表观遗传机制。
2022-11-25 cs.AI 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
Do We Really Need to Use Constraint Violation in Constrained Evolutionary Multi-Objective Optimization?
约束破坏是设计求解约束多目标优化问题的进化多目标优化算法的基础。然而，在现实世界的黑盒优化场景中，约束违反是很难接近的，这并不罕见。现有的约束进化多目标优化算法的环境选择机制是建立在约束违背的基础上的，当约束函数的形式未知时，这些算法是否仍然有效还不清楚。考虑到这一点，本文选取了四个广泛使用的约束进化多目标优化算法作为基线，并开发了相应的变种，用一个清晰的值来代替约束违反。从我们的实验合成和现实世界的基准测试问题，我们发现，所选算法的性能没有显着影响时，约束违反不用于指导环境选择。
2022-05-28 cs.NE
A Preliminary Exploration into an Alternative CellLineNet: An Evolutionary Approach
Northeastern University（东北大学）；Old Dominion University（奥多明尼昂大学）；minoHealth AI Labs（minoHealth AI实验室）
在本文中，探索一种替代CellLineNet的进化方法：一个卷积神经网络擅长上皮乳腺癌细胞系的分类。该进化算法引入了控制变量，该控制变量引导在反向残差块、瓶颈块、残差块和基本2 × 2卷积块的搜索空间中搜索架构。EvoCELL的承诺是预测什么样的特征提取块的组合或安排，为给定的任务产生最佳的模型架构。其中，示出了在每一代之后最适合的模型如何进化的性能。最终进化的模型CellLineNet V2分类了5种类型的上皮乳腺细胞系，包括两种人癌细胞系、2种正常永生化细胞系和1种永生化小鼠细胞系（MDA-MB-468、MCF 7、10A、12 A和HC 11）。多类细胞系分类卷积神经网络扩展了我们早期关于二进制乳腺癌细胞系分类模型的工作。本文提出了一个正在进行的探索性方法，神经网络的结构设计，并提出了进一步的研究。
2020-07-26 cs.CV cs.NE eess.IV
On Restricting Real-Valued Genotypes in Evolutionary Algorithms
实值基因型与变异算子、变异算子和交叉算子一起构成了进化算法的一些基本构建块。实值基因型被用于广泛的背景下，从人工神经网络中的权重到机器人控制系统中的参数。在实值基因组的大多数应用中，需要将单个参数的范围限制在允许的范围内。在本文中，我们将说明限制实值基因组参数的挑战，并分析最有前途的方法来适当地限制这些值。我们利用经验和基准的例子来证明所提出的方法的实用性，并通过文献综述显示本文的见解如何影响该领域内的其他研究。所提出的方法需要最少的干预，从进化算法的从业者和行为以及反复应用的变异算子，导致更好的理论性能以及在知名的基准显着差异。
2020-05-19 cs.NE
Evolutionary Alternating Direction Method of Multipliers for Constrained Multi-Objective Optimization with Unknown Constraints
针对约束函数未知导致传统算法失效的问题，提出受ADMM启发的进化优化框架，将问题解耦为两个子问题并分配独立种群交替进化，实验证明其收敛更快且对Pareto前沿适应性更强。
2024-01-02 cs.NE
Evolutionary learning of fire fighting strategies
包围一个不断扩大的火的动态问题可以用网格图中的离散变量来模拟。当火灾在任何时间步中扩展到所有相邻单元时，消防员被允许在相同的时间间隔内将$c$单元平均地阻挡在火灾之外。结果表明，$c>1.5$可以保证消防员的成功，但没有策略可以包围$c\leq 1.5$的火灾。为了达到这样一个临界阈值的正确性（有时甚至是最优性）的战略和下限已被整数规划或直接，但往往非常复杂的参数。我们研究的问题是否有可能找到或接近这样的阈值和/或最佳策略的手段，进化算法，即，我们只是尝试学习不同常数$c$的成功策略，并看看结果。主要的一般想法是，这种方法可能会给一些洞察力的进化策略的力量，类似的几何动机的阈值问题。我们研究了保护高速公路的变化，仍然未知的阈值，并发现有趣的战略范式。关键词：动态环境，消防，进化策略，阈值近似
2017-05-04 cs.NE
Analyzing the Runtime of the Gene-pool Optimal Mixing Evolutionary Algorithm (GOMEA) on the Concatenated Trap Function
本文首次开展GOMEA在级联陷阱函数上的运行时间分析，推导得出带真实连锁模型的GOMEA期望运行时间上界为$O(m^{3}2^k)$，较(1+1) EA实现显著提速。
2024-07-11 cs.NE
Towards KAB2S: Learning Key Knowledge from Single-Objective Problems to Multi-Objective Problem
本文提出 ETO-PFSP 框架，通过核心迁移机制将单目标问题的位置构建块关键知识用于多目标置换流水车间调度，实证验证其有效性，并推动进化调度范式转变。
2023-06-28 cs.AI 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
Composing photomosaic images using clustering based evolutionary programming
City University of Hong Kong（香港城市大学）
摄影图像是一种由各种微小图像组成的图像。一个完整的形式可以清楚地看到它从很远的距离。从很短的距离观察，可以清楚地看到取代原始图像块的小的微小图像。在过去，已经提出了许多算法，试图自动合成的photomochemical图像。这些算法大多采用贪心算法来匹配小块图像。为了获得更好的视觉效果和满足某些商业需求，通常会添加一个约束，即一个微小的图像不应该被重复使用多次。在此约束条件下，光优化问题就变成了一个组合优化问题。进化算法模仿自然选择的过程，在组合优化问题中得到了广泛的应用。然而，很少有人将进化算法应用于光成像问题。在本文中，我们提出了一种算法称为聚类进化规划来处理这个问题。我们给优化算法的先验知识，使优化过程收敛更快。在我们的实验中，所提出的算法与最先进的算法和软件进行了比较。结果表明，我们的算法性能最好。
2018-04-09 cs.CV cs.NE
Block-Bench: A Framework for Controllable and Transparent Discrete Optimization Benchmarking
LIACS, Leiden University（莱顿大学）；Optimisation and Logistics, School of Computer Science and Information Technology, Adelaide University（阿德莱德大学）；Adelaide University（阿德莱德大学）
本文提出Block-Bench框架，通过可控的块函数和依赖图生成离散优化基准，分析算法在目标空间和变量表示层面的行为，提升大规模多模态问题的研究实用性。
2026-04-08 cs.NE
Floorplanning of VLSI by Mixed-Variable Optimization
本文将VLSI布局规划建模为混合变量优化问题，结合DEA-PPM、CSA及黄金分割策略提出FFA-CD与FA-GSS，在GSRC电路上优于经典B*-tree算法。
2024-01-27 cs.NE
Multi-Objective Evolutionary Design of Composite Data-Driven Models
Natural Systems Simulation Lab ITMO University（ITMO大学自然系统模拟实验室）
本文提出了一种多目标设计复合数据驱动数学模型的方法。它允许自动识别基于图形的异构管道，包括不同的块：机器学习模型，数据预处理块等实施的方法是基于无参数的遗传算法（GA）的模型设计称为GPComp@Free。它被开发成自动化机器学习解决方案的一部分，并提高建模管道自动化的效率。一组实验进行了验证所提出的方法的正确性和效率，并证实了所选择的解决方案。实验结果证实，一个多目标的模型设计方法可以实现更好的多样性和质量的模型。实现的方法可作为开源AutoML框架FEDOT的一部分。
2021-05-17 cs.AI cs.LG cs.NE
Continuation Newton methods with deflation techniques for global optimization problems
针对非凸大规模全局优化求解难的问题，提出结合deflation技术的延拓牛顿模因算法，以找到的驻点为进化算法初始种子，兼顾易用性与收敛速度，实验证明其在无约束优化上的表现优于多种代表性方法。
2023-12-13 cs.NE math.OC
G-EvoNAS: Evolutionary Neural Architecture Search Based on Network Growth
本文提出基于网络增长的进化神经架构搜索框架 G-EvoNAS，通过逐步加深 Block 和分阶段精英剪枝降低全局搜索复杂度，仅用 0.2 GPU 天即可获得媲美最先进方法的图像分类网络。
2024-03-05 cs.NE
On the use of evolutionary optimization for the dynamic chance constrained open-pit mine scheduling problem
Machine Learning and Optimisation, School of Computer Science and Information Technology, Adelaide University（机器学习与优化，计算机科学与信息学院，阿德莱德大学）
本文提出一种双目标进化方法，用于解决动态机会约束露天矿开采调度问题，通过最大化预期折现利润和最小化标准差，有效应对动态变化和不确定性。
2026-10-07 cs.AI cs.NE
A Block-Coordinate Descent EMO Algorithm: Theoretical and Empirical Analysis
Laboratoire d’Informatique (LIX)（信息学实验室（LIX））；CNRS（法国国家科学研究中心）；École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）；Schlumberger Cambridge Research（斯伦贝谢剑桥研究院）；SLB（SLB公司）；The University of Adelaide（阿德莱德大学）
本文提出块坐标下降版本的GSEMO算法，通过理论分析与双目标测试函数实验，证明其在某些情况下比标准GSEMO运行更快，为多目标优化中的块坐标下降应用提供新见解。
2024-04-11 cs.AI cs.NE
ETO Meets Scheduling: Learning Key Knowledge from Single-Objective Problems to Multi-Objective Problem
本研究首次将进化迁移优化（ETO）应用于组合情形下的多目标与单目标调度问题，通过学习并迁移位置构建块等关键知识解决置换流水车间调度问题，提出ETO-PFSP框架并在基准上验证了其有效性与潜力。
2023-06-28 cs.AI cs.NE
Evolutionary Innovations and Where to Find Them: Routes to Open-Ended Evolution in Natural and Artificial Systems
Faculty of Information Technology, Monash University（蒙纳士大学信息技术学院）；International Programmes in Computing, University of London（伦敦大学计算国际项目）
本文提出了一个高层次的概念框架，以帮助定向的讨论和实施的开放性的进化系统。利用Banzhaf等人的早期工作，确定了三种不同的开放性：探索性、扩展性和转换性。这些特征在于它们与表型行为的搜索空间的关系。一个形式主义的介绍，以描述三个关键过程所需的进化过程：从遗传描述的表型的产生，该表型的评价，并根据他们的评价与变异的个人繁殖。这些过程的内在实现和外在实现是有区别的。然后，讨论如何调查这些过程之间的各种相互作用，以及它们的执行模式，可以导致开放式。然而，本文的一个重要贡献是证明这些考虑因素只与探索性开放性有关。实施更有趣的种类的开放性-扩张和转型-的条件也进行了讨论，强调的因素，如多个域的行为，transdomain桥梁，和非添加剂组成的系统。这些因素与个体和种群的一般进化特性无关，而是与构建个体生物体的基石的性质以及它们所处环境的规律和特性有关。最后，本文建议如何使用框架来分类和比较不同系统的开放式进化潜力，它如何可能会指导设计的系统具有更大的开放式进化能力，以及如何可能会进一步改善。
2019-02-21 cs.AI cs.NE
Bi-objective chance-constrained evolutionary optimization for large-scale open-pit mine scheduling under geological uncertainty
Optimisation and Logistics, School of Computer and Mathematical Sciences, The University of Adelaide（优化与物流系，计算机与数学科学学院，阿德莱德大学）
针对露天矿调度问题（OPMSP）的地质不确定性问题，提出独立于置信水平的双目标进化优化方法，通过领域特定算子集成三种算法，在含112687块的矿床实验中实现经济价值与风险的更优权衡。
2026-10-06 cs.AI cs.NE
Evolutionary Optimization Reveals Structural Constraints on Reservoir Architecture for Spatiotemporal Chaos
Department of Physics, MIT（麻省理工学院物理系）；McGovern Institute for Brain Research, MIT（麻省理工学院麦戈文脑研究 institute）
通过进化优化储层计算超参数，发现预测误差降低、设计空间沿规模-效率前沿组织，且进化储层在保持谱包络的同时优化低特征值模式，揭示可解释的结构约束。
2026-06-23 cs.AI cs.LG cs.NE
