On the Neutrality of Flowshop Scheduling Fitness Landscapes
INRIA Lille-Nord Europe（法国国家信息与自动化研究所里尔-北欧洲分所）；Université Lille 1（里尔第一大学）；CNRS（法国国家科学研究中心）；University of Nice Sophia Antipolis（尼斯大学索菲亚·安提波利斯分校）
使用元搜索，特别是局部搜索，有效地解决复杂问题，需要结合有关问题的知识来解决。研究了置换流水作业问题。众所周知，在这类问题中，几个解可能具有相同的适应度值。由于这种中性性质是一个重要的性质，因此在设计优化方法时应考虑到它。然后在置换流水车间的背景下，深入的景观分析，重点是中性属性的驱动和命题的方式来使用这种中立性，以指导有效的搜索。
2012-07-19 cs.AI cs.NE
Fitness Landscape of Large Language Model-Assisted Automated Algorithm Search
Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；School of Mathematics and Statistics, Xi’ an Jiaotong University（西安交通大学数学与统计学学院）；HUAWEI Noah’s Ark Lab（华为诺亚实验室）；Huawei Cloud EI Service Product Department（华为云EI服务产品部）
本文通过基于图的方法分析大语言模型辅助算法搜索的适应度景观，在六项任务和六种LLM上揭示其多模态与崎岖性，并研究算法相似性度量与性能和算子行为的相关性，为改进LAS方法提供指导。
2025-08-27 cs.AI cs.NE
Clustering of Local Optima in Combinatorial Fitness Landscapes
University of Nottingham（诺丁汉大学）；INRIA Lille - Nord Europe（法国国家信息与自动化研究所里尔-北欧分所）；University of Nice Sophia-Antipolis（尼斯索菲亚·安提波利斯大学）；University of Lausanne（洛桑大学）
利用最近提出的组合景观模型：局部最优网络，我们研究了局部最优解在两类二次分配问题中的分布。我们的研究结果表明，这两个问题的实例类产生非常不同的配置空间。对于所谓的类实类，最优网络具有清晰的模块化结构，而属于随机均匀实例类的网络则不太容易划分为集群。我们简要地讨论了后果的调查结果，为explanistically搜索相应的问题空间。
2012-07-19 cs.AI cs.NE
Where are Bottlenecks in NK Fitness Landscapes?
通常，子代-亲代适应度相关性被用来可视化和分析适应度景观的一些特征，如可进化性。在本文中，我们介绍了这种相关性的一个更一般的表示，健身云（FC）。我们使用瓶颈的比喻，强调健身水平的景观，导致本地搜索过程减慢。对于局部搜索启发式，如爬山或模拟退火，FC允许可视化的瓶颈和中立的景观。为了确认FC表示的相关性，我们展示了众所周知的NK适应度景观中的瓶颈所在，以及如何使用FC的中立信息将一些中立算子与局部搜索启发式相结合。
2007-07-04 cs.NE
Codynamic Fitness Landscapes of Coevolutionary Minimal Substrates
共同进化最小基质是简单而抽象的模型，可以研究客观和主观适应度之间的关系和共动力学。使用这些模型的方法来定义和分析的适应度景观的共同进化问题。我们设计的相似性措施的共动力适应景观和实验研究最小基板的测试为基础的和组成的问题，合作和竞争的互动。
2014-04-23 cs.NE
Simulating Evolution on Fitness Landscapes represented by Valued Constraint Satisfaction Problems
最近的理论研究提出，计算复杂性可以被看作是一个最终的约束，允许开放式的生物进化有限的静态适应度景观。而在简单的适应度景观，进化将迅速收敛到一个局部的适应度峰值，在硬适应度景观，这种计算约束防止进化到达任何局部的适应度峰值在多项式时间。值约束满足问题（VCSPs）可以用来表示容易和困难的适应度景观。因此，VCSPS可以被视为将进化论与计算机科学概念联系起来的一种自然方式，以更好地理解使景观变得困难的特征。然而，目前还没有研究VCSP结构的适应度景观的模拟器。本报告介绍了VCSP结构的适应度景观的进化模拟器的设计和构建。该平台用于模拟容易和困难的适应度景观的各种实例。特别是，我们期待在更现实的假设下，比最适合的突变强选择弱突变动力学的曲折半光滑适应度景观的演变。所获得的结果与理论预期相符，同时也提供了有关进化极限的新信息。报告的最后一部分介绍了平滑适应度景观的数学模型，并利用它来更好地理解为什么这些景观很容易。
2019-12-04 cs.NE q-bio.PE
Local Optima Networks: A New Model of Combinatorial Fitness Landscapes
University of Stirling（斯特林大学）；INRIA Lille - Nord Europe（法国国家信息与自动化研究所里尔-北欧分所）；University of Nice Sophia-Antipolis（尼斯索菲亚-安提波利斯大学）；University of Lausanne（洛桑大学）
本章概述了最近引入的基于网络的组合景观模型：局部最优网络（LON）。该模型将整个搜索空间给出的信息压缩到一个更小的数学对象中，该对象是一个图，其顶点是局部最优解，边缘是它们之间可能的加权过渡。已经提出了两种边的定义：盆过渡和逃逸边，它们捕获底层搜索空间的相关拓扑特征。这个网络模型带来了一组新的度量来表征组合景观的结构，这些景观与复杂网络科学相关。这些指标进行了描述，并提出了两个选定的组合景观：NK景观和二次分配问题的局部最优网络提取和分析的结果。网络特征与启发式搜索算法的性能相关，甚至可以预测这些问题。
2014-02-12 cs.AI cs.NE
New Methods of Studying Valley Fitness Landscapes
“山谷”这个词是一个流行的术语，直观地描述健身景观。什么是健身景观上的山谷？如何确定一个山谷的方向和位置，如果它存在？然而，这样的问题很少严格研究进化优化，特别是当搜索空间是一个高维连续空间。本文提出了两种研究适合度景观上山谷的方法。第一种方法是基于拓扑同胚。它建立了一个山谷的严格定义。谷被认为是一维流形。第二种方法采用与统计学不同的观点。提出了一种利用主成分分析识别河谷走向和位置的算法。
2018-04-30 cs.NE
Neutral Fitness Landscape in the Cellular Automata Majority Problem
我们详细研究了一个困难的元胞自动机计算任务的健身景观：多数问题。我们的研究结果表明，为什么这个问题的景观是如此难以搜索，我们量化了各种方式发现的大程度的中立性。我们表明，一个特定的子空间的解决方案空间，称为“奥林巴斯”，是好的解决方案集中，并给出措施，定量表征这个子空间。
2008-03-29 cs.NE
Fitness Landscape-Based Characterisation of Nature-Inspired Algorithms
自然启发算法的一个重大挑战是识别问题的特定特征，这些特征使它们更难（或更容易）使用特定方法解决。希望通过识别这些特征，我们可以更容易地预测哪些算法最适合共享某些特征的问题。在这里，我们使用适应度景观分析来解决这个问题。技术已经存在用于测量特定景观的“难度”，但这些技术通常仅在考虑进化算法的情况下设计，并且通常特定于离散优化。在本文中，我们开发了一种方法比较广泛的连续优化算法。使用健身景观生成技术，我们比较了六种不同的自然启发的算法，并确定哪些方法表现最好的景观表现出特定的功能。
2013-01-24 cs.NE
Temporal True and Surrogate Fitness Landscape Analysis for Expensive Bi-Objective Optimisation
该研究针对昂贵双目标优化问题，首次时序比较真实适应度函数与代理模型的景观特征，发现二者虽有差异但高度相关，且均能预测算法性能，为设计代理切换方法以提升多目标优化性能提供了依据。
2024-04-09 cs.NE
Scale-invariance of ruggedness measures in fractal fitness landscapes
本文论述了使用混沌直接轨迹的目标，并分析了由此产生的健身景观的坚固性和分形。目标问题制定为一个动态的适应度景观和四个不同的混沌映射产生这样的景观进行了研究。通过使用计算的方法，我们分析了景观的属性，并量化其分形和崎岖的特点。特别是，它示出的相关长度和信息内容的强度措施，如尺度不变和自相似。
2017-04-11 cs.NE nlin.CD q-bio.PE
Complexity of evolutionary equilibria in static fitness landscapes
一个适应度景观是一个遗传空间--如果两个基因型在一个位点上不同，它们就相邻--和一个适应度函数。演化动力学在这个景观上产生从低适应度到高适应度的流动;只有当找到局部适应度峰值时才达到平衡，我使用计算复杂性来质疑静态适应度景观上的进化可以快速达到局部适应度峰值的常见假设。为此，我证明了，当K >= 2时，粗糙适应度景观的流行NK模型是PLS完备的;加权2SAT的约简是自适应行走上的双射，因此存在NK适应度景观，其中来自某些顶点的每个自适应路径都是指数长度的。或者-在标准复杂性理论假设下，PLS中存在在多项式时间内不可解决的问题-这意味着没有演化动力学（已知或待发现，并且不一定遵循自适应路径）可以收敛到K = 2的所有NK景观上的局部适应度峰值。应用单纯形算法分析的结果，我证明了存在没有倒数符号上位性的单峰景观，其中遵循强选择弱突变动态的自适应路径的预期长度为$e^{O(n^{1/3})}$，即使从每个顶点都可以获得长度小于n的最佳自适应路径。技术成果的编写是为了让没有计算机科学背景的数学生物学家可以访问，生物学文献的总结是为了方便非生物学家，目的是在两个学科之间展开建设性的对话。
2013-08-23 cs.NE q-bio.PE
Fitness Landscape Analysis for Dynamic Resource Allocation in Multiuser OFDM Based Cognitive Radio Systems
这篇论文被撤回了。
2010-03-07 cs.IT cs.NE math.CO
A characterisation of S-box fitness landscapes in cryptography
替换盒（S盒）是密码算法设计中经常使用的非线性对象。高质量S盒的设计是一个有趣的问题，吸引了很多的关注。近年来，许多人尝试使用几何学来设计S盒，但结果往往与以前已知的最佳结果相去甚远。不幸的是，大部分的努力都是在探索不同的算法和适应度函数，而很少有人注意到为什么这个问题对数学家来说如此困难。在本文中，我们进行了适应度景观分析，以更好地理解为什么这个问题可能很难。除此之外，我们发现，几乎每个初始起点都有自己的局部最优，即使网络是高度互连的。
2019-02-13 cs.NE
A Fitness Landscape View on the Tuning of an Asynchronous Master-Worker EA for Nuclear Reactor Design
CEA (French Commissariat à l’Energie Atomique)（法国原子能与替代能源委员会）；Université du Littoral Côte d’Opale（滨海大学）
在引入间歇性可再生能源的背景下，我们建议优化核电厂控制棒的主要变量，以提高其负载跟踪能力。设计问题是一个黑箱组合优化问题，具有昂贵的评估的基础上的多物理场模拟器。因此，我们使用并行异步主从进化算法扩展到千计算单元。一个主要问题是算法参数的调整。对这个昂贵的现实问题进行了适应度景观分析，表明可以根据适应度景观特征的低成本估计来调整变异参数。
2021-07-06 cs.AI cs.NE cs.SY
Provable Speedups From Dynamic Population Sizes in Evolutionary Algorithms for Multiobjective Optimization
研究多目标优化进化算法中动态种群规模作用，引入CLIMB问题类，分析GSEMO和NSGA-II运行时，证明NSGA-II动态种群规模有加速比，GSEMO和NSGA-II-DYN能更快找到帕累托前沿，是多目标优化中GSEMO超NSGA-II的首次严格分析。
2026-10-28 cs.NE
On Fitness Landscape Analysis of Permutation Problems: From Distance Metrics to Mutation Operator Selection
Stockton University（斯托克顿大学）
本文针对排列优化问题的适应度景观分析，用主成分分析分类排列距离度量，验证了既有排列问题分类并发现子类型，还提出对应变异算子分类，相关代码已开源。
2022-08-23 cs.AI cs.DM cs.NE
Cooperative Multi-Agent Search on Endogenously-Changing Fitness Landscapes
The University of Manchester（曼彻斯特大学）；Alliance Manchester Business School（曼彻斯特联盟商学院）；Schlumberger Cambridge Research（斯伦贝谢剑桥研究中心）
我们使用一个多代理系统来模拟代理（代表公司）如何合作和适应的业务“景观”，其中一些更有影响力的公司被赋予权力，塑造其他公司的景观。我们研究的景观是基于著名的考夫曼NK模型，增加了“塑造者”，公司可以改变景观的功能，为自己和所有其他球员。我们的工作调查了那些被赋予认知和经验搜索的公司，以及与其他公司形成合作的能力，如何利用这些能力更快更熟练地适应。我们发现，在一个合作的群体中，企业必须仍然有自己的想法，并抵制直接模仿更强大的合作伙伴，以达到更好的高度集体。较大的群体和拥有更有影响力成员的群体通常做得更好，因此有针对性的智能合作是有益的。这些结论是试探性的，我们的研究结果表明，景观的坚固性和“可塑性”（即能力的景观被改变的塑造者公司）的敏感性。总的来说，我们的工作展示了计算机科学、进化和机器学习在这些复杂环境中为商业战略做出贡献的潜力。
2022-06-28 cs.AI cs.MA cs.NE
From Royal Road to Epistatic Road for Variable Length Evolution Algorithm
虽然有一些现实世界中的应用，在进化算法中使用可变长度表示（VLR）是自然和合适的，缺乏一个学术框架，这样的表示。在这项工作中，我们提出了一个家庭的可调健身景观的基础上VLR的基因型。我们提出的健身景观具有可调程度的中立性和上位性，他们的灵感，一方面由皇家路健身景观，另一方面由NK健身景观。所以这些景观提供了一个从皇家路功能的连续性，中立而没有上位性，到大量上位性而没有冗余的景观。为了深入了解这些适应度景观，我们首先使用标准工具，如自适应行走和相关长度。其次，我们评估的性能，这些景观的进化算法的中性和上位参数的各种值，结果使我们能够与预期程度的中立性和上位性的性能。
2007-07-04 cs.NE
A Study of Fitness Landscapes for Neuroevolution
Universidade de Lisboa（里斯本大学）；NOVA Information Management School (NOVA IMS)（新里斯本大学信息管理学院）；Universidade Nova de Lisboa（新里斯本大学）
适应度景观是研究元生态学动力学的一个有用概念。在过去的二十年里，他们已经成功地应用于估计优化能力的几种类型的进化算法，包括遗传算法和遗传编程。但是，到目前为止，它们从未被用来研究机器学习算法在看不见的数据上的性能，也从未被应用于神经进化。本文旨在填补这两个空白，首次将适应度景观应用于神经进化，并使用它们来推断有关该方法预测能力的有用信息。更具体地说，我们使用基于语法的方法来生成卷积神经网络，并研究三种不同突变的动力学来进化它们。为了表征适应度景观，我们研究了自相关和熵测度的坚固性。结果表明，这些措施是适当的估计的优化能力和泛化能力的考虑神经进化配置。
2020-01-30 cs.LG cs.NE
Fitness Landscape Analysis of Dimensionally-Aware Genetic Programming Featuring Feynman Equations
遗传编程是一种常用的符号回归技术：从未知函数中找到与数据匹配的符号表达式。为了使符号回归更有效，还可以使用约束方程的物理单位的维度感知遗传编程。然而，没有正式的分析维度意识在回归过程中有多大帮助。在本文中，我们进行了适应度景观分析dimensionallyaware遗传编程搜索空间的一个子集的方程从理查德费曼著名的讲座。我们定义了一个初始化过程和一个附带的一组邻域运营商进行本地搜索的物理单位的限制。实验结果表明，增加的变量维数信息可以有效地指导搜索算法。尽管如此，需要进一步分析维度感知和标准遗传编程景观之间的差异，以帮助设计用于维度感知回归的高效进化算子。
2020-04-27 cs.NE
Analyzing coevolutionary games with dynamic fitness landscapes
共同进化游戏的参与者可能会改变他们的策略以及他们的互动网络。本文介绍了一个用景观模型描述协同进化博弈动态的框架。它表明，共同进化游戏调用动态景观。数值实验示出的囚徒困境（PD）和雪堆（SD）的游戏，都使用出生死亡（BD）或死亡出生（DB）的策略更新。由此产生的景观进行了分析方面的模态和坚固性
2016-03-21 cs.GT cs.NE q-bio.PE
Fitness Landscape Footprint: A Framework to Compare Neural Architecture Search Problems
Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心）；Remote Sensing Technology Institute (IMF)（遥感技术研究所）
本文提出由八项通用指标构成的 fitness landscape footprint，用适应度景观分析定量刻画并比较 NAS 问题的难度与结构特征。
2021-11-02 cs.AI cs.CV cs.LG
Hybrid Beamforming for RIS-Aided Communications: Fitness Landscape Analysis and Niching Genetic Algorithm
针对RIS辅助通信中混合波束成形优化易陷局部最优的问题，通过适应度景观分析明确其多峰结构，提出融合最近优聚类与最小物种规模的小生境遗传算法，显著提升大规模RIS场景下的通信容量。
2021-09-19 cs.NE
Octopus Inspired Optimization (OIO): A Hierarchical Framework for Navigating Protein Fitness Landscapes
College of Communication Engineering, Jilin University（吉林大学通信工程学院）；College of Mathematics and System Science, Xinjiang University（新疆大学数学与系统科学学院）；Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（香港理工大学工业及系统工程学系）；Tsinghua University-Peking University Joint Center for Life Sciences, Tsinghua University（清华大学-北京大学生命科学联合中心）
OIO通过模仿章鱼神经架构，提出一种分层优化框架，有效解决蛋白质适应度景观中的探索与利用问题，实现全局搜索与局部细化的统一，优于15种竞争算法。
2025-11-23 cs.NE
Degenerate neutrality creates evolvable fitness landscapes
Land Operations Division, Defence Science and Technology Organisation（国防科学技术组织陆地作战分部）
理解系统如何被设计成可进化的是优化、进化和复杂系统科学研究的基础。因此，许多研究人员已经认识到可进化性的重要性，即在生物进化和演化计算领域中发现更高适应度的新变体的能力。Ciliberti等人（Proc.Nat.Acad.科学，2007）和Wagner（Proc. R. Soc. B.，2008）提出了一个潜在的重要联系之间的鲁棒性和系统的可进化性。特别是，有人认为，鲁棒性实际上可能导致进化的出现。在这里，我们研究了两个设计原则，冗余和退化，实现鲁棒性，我们表明，他们有一个显着不同的影响系统的演化。特别是，纯冗余系统被发现有很少的进化，而系统退化，即分布式鲁棒性，可以是数量级更进化。这些结果提供了深入了解的一般原则，实现进化，并可能被证明是一个重要的一步，在追求进化表示演化计算。
2009-07-02 cs.AI cs.MA cs.NE
Landscape of Neural Architecture Search across sensors: how much do they differ ?
Technical University of Munich（慕尼黑工业大学）；German Aerospace Center (DLR)（德国航空航天中心）
随着神经结构搜索的迅速兴起，从搜索算法的角度理解其复杂性的能力是可取的。最近，Traoré等人提出了Fitness Landscape Footprint框架，以帮助描述和比较神经架构搜索问题。它试图描述为什么一个搜索策略可能是成功的，斗争或失败的目标任务。我们的研究利用这种方法在传感器搜索的背景下，包括传感器数据融合。特别是，我们适用于现实世界的图像分类问题的So2 Sat LCZ 42的健身景观足迹，以确定最有益的传感器，我们的神经网络超参数优化问题。从适应度分布的角度来看，我们的研究结果表明所有传感器的搜索空间都有类似的行为：训练时间越长，整体适应度越大，景观越平坦（粗糙度和偏差较小）。关于传感器，它们启用的适应性越好（Sentinel-2），搜索轨迹就越好（更平滑，更持久）。结果还表明，非常相似的搜索行为的传感器，可以体面地适合的搜索空间（哨兵-2和融合）。
2022-01-20 cs.AI cs.CV cs.LG
Coevolutionary intransitivity in games: A landscape analysis
不传递性被认为是共同进化过程和遗传优势不足的主要原因。此外，协同进化动力学的特点是产生主观适应性的相互作用，但针对的解决方案是优于一个客观的测量。这种目标适应度的近似可以是例如泛化性能。在本文中，评级和排名为基础的措施的不传递性和健身景观，可以解决主观和客观健身之间的二分法之间的联系进行了探讨。数值实验表明，该方法涉及一个简单的随机游戏，连续可调程度的随机性。
2015-01-16 cs.NE q-bio.PE
Monotonicity of Fitness Landscapes and Mutation Rate Control
进化生物学中的一个普遍观点是突变率被最小化。然而，在组合优化和搜索的研究已经显示出一个明显的优势，使用可变的突变率作为控制参数，以优化性能的进化算法。这一领域的许多生物学理论都是基于罗纳德·费希尔的工作，他使用欧几里得几何来研究突变大小与无限表型空间中后代预期适应度之间的关系。在这里，我们重新考虑这一理论的基础上的替代几何的离散和有限空间的DNA序列。首先，我们考虑的几何情况下的健身同构的距离从一个最佳的，并显示如何最佳的突变率控制问题可以解决的精确或近似取决于额外的约束条件的问题。然后，我们考虑一般情况下的健身通信的距离只有部分信息。我们定义了适应度景观的弱单调性，并证明了这一性质在所有连续且在最优点处开放的景观中成立。这一理论结果激发了我们的假设，最佳突变率功能，在这样的景观将增加时，健身最佳的某些邻域减少，类似的控制功能，在几何的情况下。我们通过分析DNA序列和转录因子之间的结合分数的115个完整景观中的近似最佳突变率控制函数来实验测试这一假设。我们的研究结果支持了这一假设，并发现突变率的增加是更迅速的景观，是不那么单调（更崎岖）。我们将讨论这些发现与生物体的相关性。
2019-08-24 cs.IT cs.NE math.IT
OneMax is not the Easiest Function for Fitness Improvements
本文反驳OneMax是(1:s+1)规则下最易景观的推测，证明Dynamic BinVal会使自调节(1,λ)-EA无法多项式时间寻优。
2024-01-24 cs.NE
Crafting Generative Art through Genetic Improvement: Managing Creative Outputs in Diverse Fitness Landscapes
本文研究利用遗传改进自动创建和优化生成艺术绘图程序，评估多种适应度函数及代码膨胀对生成图像和程序的影响，并引入基于分类器的适应度函数以模拟人类艺术评估，从而有效过滤噪声图像并引导输出符合用户偏好。
2024-07-29 cs.NE
Multiobjective optimization in Gene Expression Programming for Dew Point
气候变化过程及其变化在环境工程中起着重要作用。不同的技术被用来模拟温度、露点和相对湿度之间的关系。基因表达式编程能够以很高的精度对复杂的现实进行建模，与此同时，与其他学习算法相比，允许从进化模型中提取知识。本研究的目的是使用基因表达式编程的露点建模。通常，模型的准确性是GEP选择机制使用的唯一目标。这将发展出具有低训练误差的大尺寸模型。为了避免这种情况，遗传编程从业者优选使用多个目标，如模型的精度和大小。多目标问题寻找一组满足决策者给定目标的解。基于多目标的GEP将被用来发展简单的模型。各种算法广泛用于多目标优化，如NSGA II和SPEA 2进行了测试，不同的测试用例。此后得到的结果给出的想法，SPEA 2是更好的算法相比，NSGA II的基础上的功能，如执行时间，获得的解决方案的数量和收敛速度。因此，与GEP获得的模型相比，考虑到方程的适应度和大小的双重目标，多目标算法获得更好的解决方案。这些简单的模型可以用来预测露点。
2013-04-18 cs.NE
A Local Optima Network View of Real Function Fitness Landscapes
在过去的组合优化问题中，局部最优网络模型已被证明是有用的。在这里，我们研究其扩展到实连续函数域。通过一个采样过程，该模型建立了一个加权有向图，捕捉功能的最小流域结构及其相互连接，可以很容易地操纵的帮助下，复杂的网络指标。我们表明，该模型提供了一个互补的功能空间，更容易分析和可视化，特别是在较高的维度。特别是，我们表明，函数硬度所代表的算法性能，是密切相关的几个图形属性的相应的局部最优网络，开辟了道路的分类问题的困难，根据相应的图形结构和可能的扩展设计更好的元启发式方法。
2022-12-20 cond-mat.stat-mech cs.NE
