A Globally Convergent Evolutionary Strategy for Stochastic Constrained Optimization with Applications to Reinforcement Learning
Polytechnique Montréal(蒙特利尔综合理工学院);University of Basel(巴塞尔大学);Johannes Kepler University Linz(林茨约翰·开普勒大学)
进化策略最近被证明可以在强化学习中实现复杂优化问题的性能竞争水平。在这样的问题中,人们经常需要优化一个受一组约束的目标函数,包括例如对策略熵的约束,或者限制代理可访问的可能的动作或状态集。然而,文献中缺乏优化随机约束问题的进化策略的收敛保证。在这项工作中,我们解决这个问题,通过设计一种新的优化算法,有足够的减少机制,确保收敛,这是只基于估计的功能。我们证明了该算法对两种类型的实验的适用性:i)最大化奖励的控制任务和ii)最大化奖励受一组不可放松的约束。
2022-02-21 cs.LG cs.NE math.OC
Pure and Hybrid Evolutionary Computing in Global Optimization of Chemical Structures: from Atoms and Molecules to Clusters and Crystals
综述了近十年来演化计算方法在原子、分子团簇和晶体等复杂势能面研究中的发展。发展的趋势表明,纯以及混合进化计算技术结合DFT已成为一个强大的工具,虽然工作的分子团簇一直相当有限。文献中有一些直接用遗传算法求解原子/分子薛定谔方程的尝试。在Born-Oppenheimer近似水平下,GA密度方法似乎是一种可行的工具,在未来几年中可以更广泛地探索,特别是在设计具有目标特性的分子和材料的背景下。
2015-08-31 cond-mat.mtrl-sci cs.NE physics.chem-ph
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
Empirical review of standard benchmark functions using evolutionary global optimization
我们采用了最近实施的遗传算法,研究了一系列的标准基准函数的全局优化。事实证明,它们中的一些作为具有挑战性的测试函数不是很有用,因为它们既不允许遗传算子的不同变体之间的区分,也不表现出类似于现实世界问题的维度缩放,例如原子和分子簇的全局结构优化。后一种属性似乎可以通过另外两种类型的基准函数更好地模拟。一种类型的设计是欺骗性的,这里以Lunacek的功能为例。另一种类型提供了额外的优点,即显著增加的复杂性和搜索空间特性的广泛可调性。对于后一种类型,我们使用基于随机分布高斯的实现。我们提倡使用后一种类型的测试函数进行算法开发和基准测试。
2012-07-18 cs.NE
A New Scope and Domain Measure Comparison Method for Global Convergence Analysis in Evolutionary Computation
本文提出范围与域测度比较(SDMC)方法,绕过马尔可夫链建模,通过比较搜索范围测度分析进化计算算法的全局收敛性,并证明其必要性与充分性,为算法设计提供理论指导。
2025-05-07 cs.NE
Coronavirus Optimization Algorithm: A Success-History Adaptive Evolutionary Framework with Archive-Assisted Search and Stagnation Recovery for Global Optimization
Bournemouth University(伯恩茅斯大学)
本文提出受SARS-CoV-2启发的COA优化算法,将冠状病毒机制映射为搜索算子,结合多种技术在29个CEC 2017基准函数上测试,其整体Friedman秩最优,是紧凑透明的自适应进化优化器。
2026-08-26 cs.AI cs.CC 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
Piecewise Linear Topology, Evolutionary Algorithms, and Optimization Problems
图式理论,马尔可夫链和统计力学已被用来解释进化算法(EA)的工作原理。所有这些方法都取得了逐步的成功,但每一种方法都受到与其非全球性观点有关的限制的阻碍。我们表明,移动到拓扑空间的调查,提高了我们的理解为什么EA的工作。
2012-06-28 cs.NE math.GN math.OC
Towards Evolutionary Optimization Using the Ising Model
针对含大量局部最小值的复杂函数全局寻优问题,本文提出基于Ising模型的进化优化算法,可精准定位全局最小值,性能优于同类方法,在集成领域应用前景良好。
2025-11-19 cs.NE
Learn from Global Correlations: Enhancing Evolutionary Algorithm via Spectral GNN
GNE通过谱图神经网络增强进化算法,利用频率过滤策略提升全局信息利用,解决探索与利用平衡问题,实现更高效的优化性能。
2025-11-23 cs.AI cs.NE
Distribution Matching Evolutionary Algorithms for Rare Event Sampling
University of Oxford(牛津大学)
本文提出分布匹配进化算法(DME),将进化算法视为近似马尔可夫链蒙特卡洛,无需更新权重即可从全局目标分布采样,在稀有事件采样中样本效率优于现有方法。
2026-10-14 cs.AI cs.LG cs.NE
Robot Imitation through Vision, Kinesthetic and Force Features with Online Adaptation to Changing Environments
Universidad Carlos III de Madrid(马德里卡洛斯三世大学)
连续目标导向动作(Continuous Goal-Directed Actions,CGDA)是一个机器人模仿框架,它将动作编码为它们对环境产生的变化。虽然它在泛化和可移植性方面相对于其他机器人模仿框架具有许多优点,但用于执行动作的最终机器人关节轨迹不一定在模型内编码。这是作为一个优化问题进行研究,并通过模拟环境中的进化算法计算的解决方案。进化算法需要大量的评估,这使得这些算法在现实世界中的应用非常具有挑战性。本文提出了在线进化策略,作为CGDA执行中的范式变化。在线进化策略将运动执行转移并合并到规划循环中。提出了一种具体的在线进化策略--在线进化轨迹(OET)。OET大大减少了运动执行之间的计算时间,并使工作在现实世界的动态环境和/或与人类合作。它的性能已经通过全轨迹进化(FTE)和增量进化轨迹(IET)进行了测量,获得了最佳的总体结果。TEO全尺寸的人形机器人与“油漆”和“铁”的行动,共同涉及视觉,动觉和力的功能进行实验评估。
2019-10-23 cs.LG cs.NE cs.RO
Large Scale Global Optimization by Hybrid Evolutionary Computation
Institute for Development and Research in Banking Technology(银行技术发展与研究院);University of Hyderabad(海得拉巴大学)
在管理、商业、经济、科学、工程和研究领域,大规模全局优化(LSGO)起着主导和重要的作用。虽然LSGO在许多应用领域都有应用,但它是一个非常麻烦和不合理的任务。演化计算大会(CEC)发起了一项LSGO竞赛,以提出一系列标准基准无约束LSGO函数的算法。因此,在本文中,我们提出了一种混合元启发式算法,它结合了改进和修改的和声搜索(IMHS),以及一个改进的差分进化(MDE)与备用选择策略。和声搜索(HS)的工作是探索和利用,而差分进化的工作是对IMHS的探索进行扰动,因为和声搜索会陷入局部最优。为了判断所提出的算法的性能,我们比较了所提出的算法与10个优秀的元启发式算法的15个LSGO基准函数,其中有1000个连续的决策变量,CEC 2013 LSGO特别会议。实验结果一致表明,我们提出的混合元启发式算法在统计上与一些算法在少数问题上表现相当,而在几个问题上它是最好的。
2019-10-09 cs.AI cs.NE
Neural Generative Models for Global Optimization with Gradients
全局优化的目的是找到任意类函数的全局最优值,可能是高度多峰的函数。在本文中,我们专注于可微函数的全局优化的子问题,我们提出了一个进化搜索启发的解决方案,我们通过生成神经网络模型点搜索分布。这种方法使我们能够对多样化和复杂的搜索分布进行建模,基于此,我们可以有效地探索复杂的目标景观。在我们的实验中,我们展示了我们的算法与经典的进化搜索和基于梯度的解决方案的多峰函数的基准集的实际优势,并演示了它如何可以用来加速贝叶斯优化与高斯过程。
2018-06-14 cs.NE
Self Organizing Classifiers: First Steps in Structured Evolutionary Machine Learning
Kyushu University(九州大学)
学习分类器系统是一种进化的机器学习算法,具有很强的灵活性,可以应用于强化学习、监督学习和无监督学习问题,并具有良好的性能。最近,提出了自组织分类器,它类似于LCS,但具有的优点是,在其结构化的人口之间没有平衡小生境和健身压力是必要的。然而,需要更多的测试和分析来验证其好处。在这里,提出了第一种算法的变体,它使用无参数自组织映射(SOM)。该算法应用于大型、噪声大、输入动作连续动态变化的迷宫(包括增长迷宫和压缩迷宫)等具有挑战性的问题,取得了良好的性能。此外,提出了一种遗传算子,它利用了SOM的种群结构的拓扑信息,改善了结果。因此,结构化进化机器学习的第一步,尽管如此,所面临的问题比最先进的连续输入动作多步骤的更困难。
2018-11-20 cs.AI cs.LG cs.MA
Evolutionary Computation in Action: Feature Selection for Deep Embedding Spaces of Gigapixel Pathology Images
Ontario Tech University(安大略理工大学);University of Waterloo(滑铁卢大学);Mayo Clinic(梅奥诊所)
本文提出基于大规模多目标优化的进化特征选择方法,通过频繁特征直方图构建紧凑的全切片图像表示,在TCGA数据上以约14,000倍压缩实现8%的准确率提升,并引入新的决策空间和可视化方法。
2023-04-18 cs.CV cs.LG cs.NE
Evolutionary Algorithms for Computing Nash Equilibria in Dynamic Games
School of Intelligent Systems(智能系统学院);College of Interdisciplinary Science and Technology(跨学科学院与技术);University of Tehran(德黑兰大学)
本文提出两种基于种群的进化算法,用于解决动态博弈中纳什均衡计算问题,克服传统方法在非线性动态和多参与者情况下的局限性。
2025-12-27 cs.GT cs.MA cs.NE
A Federated Data-Driven Evolutionary Algorithm for Expensive Multi/Many-objective Optimization
East China University of Science and Technology(华东理工大学);University of Surrey(萨里大学)
数据驱动优化在现实世界中有许多成功的应用,并在进化优化领域受到越来越多的关注。大多数现有的算法假设用于优化的数据总是在中央服务器上可用于构建代理。然而,当数据必须以分布式方式收集并且受到隐私限制时,这种假设可能无法成立。提出一种联邦数据驱动的多目标进化优化算法。为此,我们利用联邦学习进行代理构建,以便多个客户端协同训练径向基函数网络作为全局代理。然后提出了一种新的联邦获取函数,用于中央服务器使用全局代理来近似目标值,并基于局部模型来估计近似目标值的不确定性水平。该算法的性能进行了验证一系列的多/多目标基准问题,通过比较它与两个国家的最先进的代理辅助多目标进化算法。
2021-06-22 cs.AI cs.NE
Benchmarking global optimization techniques for unmanned aerial vehicle path planning
Institute of Automation and Computer Science, Brno University of Technology(布尔诺理工大学自动化与计算机科学学院)
本文提出用无人机路径规划问题作为全局优化算法的基准测试,生成56个实例,通过比较十二种算法,发现进化算法表现最佳,并指出可变维度特征待深入研究。
2025-01-24 cs.NE cs.RO math.OC
Towards Interpretable-AI Policies Induction using Evolutionary Nonlinear Decision Trees for Discrete Action Systems
Michigan State University(密歇根州立大学);Ford Motor Company(福特汽车公司)
黑盒人工智能归纳方法,如深度强化学习(DRL),越来越多地用于为给定的控制任务找到最佳策略。虽然使用黑盒AI表示的策略能够有效地执行底层控制任务并实现最佳闭环性能,但开发的控制规则通常很复杂,既不可解释也不可解释。在本文中,我们使用最近提出的非线性决策树(NLDT)的方法来找到一个分层的控制规则集,试图最大限度地提高开环性能近似和解释的预先训练的黑盒DRL(Oracle)代理使用标记的状态-动作数据集。非线性优化方法的最新进展,使用演化计算,便于找到一个分层的一组非线性控制规则的状态变量的函数,使用一个计算快速的双层优化程序在每个节点的建议NLDT。此外,我们提出了一个重新优化的过程,以提高闭环性能的一个已经派生的NLDT。我们评估我们提出的方法(开环和闭环NLDTs)对不同的控制问题有多个离散的行动。在所有这些问题中,我们提出的方法能够找到相对简单和可解释的规则,每个规则涉及一到四个非线性项,同时与训练有素的黑盒DRL代理相比,实现了同等的闭环性能。本文还提出了一种简化NLDT的后处理方法。所获得的结果是鼓舞人心的,因为他们建议更换复杂的黑盒DRL政策,涉及数千个参数(使他们无法解释)与相对简单的可解释的政策。结果是令人鼓舞的,激励追求进一步的应用所提出的方法在解决更复杂的控制任务。
2021-04-06 cs.LG cs.NE cs.SY
On an Immuno-inspired Distributed, Embodied Action-Evolution cum Selection Algorithm
传统的进化机器人(ER)采用进化技术来搜索一个单一的单片控制器,可以帮助机器人学习所需的任务。这些技术遭受引导和欺骗问题时,任务是复杂的一个控制器学习。行为分解技术已被用于将一个任务划分为多个子任务,并为每个子任务演化单独的子控制器。然而,这些子控制器和相关联的子控制器仲裁器都是离线进化的。这种方法的分布式、充分体现和进化版本将大大有助于在线学习,并有助于缩小现实差距。在本文中,我们提出了一个免疫学启发体现行动进化暨选择算法,可以满足分布式ER。该算法以分布式方式为搜索空间的不同部分演化不同的子控制器,就像针对抗原空间中的不同抗原演化和引发抗体一样。在一组包含该算法的真实机器人上进行的实验表明,一系列类似抗体的子控制器在运行中被创建、进化和共享,以应对不同的环境条件。此外,而不是传统上使用的广播共享的方法,我们提出了一个智能数据包迁移方案,减少能源消耗。
2018-06-26 cs.NE
A Cuckoo Quantum Evolutionary Algorithm for the Graph Coloring Problem
基于量子进化算法框架,提出了一种求解图着色问题的布谷鸟量子进化算法。为了减少色数搜索的迭代次数,初始量子种群由遗传辅助的随机初始化产生。此外,通过引入布谷鸟搜索策略,改进了算法的全局搜索能力,并引入了局部搜索和扰动策略,以提高算法在控制点上的性能。数值结果表明,CQEA具有很强的探索和开发能力,与现有的启发式算法相比具有很强的竞争力。
2021-08-19 cs.NE
A Parameterized Complexity Analysis of Bi-level Optimisation with Evolutionary Algorithms
近年来,双层优化问题在组合优化领域得到了越来越多的关注。通过本文,我们开始对双层优化问题的进化算法进行运行时分析。我们研究两个NP-难问题,广义最小生成树问题(GMST),和广义旅行商问题(GTSP)的参数化复杂性的背景下。对于广义最小生成树问题,我们分析了Hu和Raidl(2012)提出的两种方法,这些方法通过选择可能解的表示来区分彼此的簇的数量。我们的研究结果表明,一个(1+1)EA工作的跨越节点表示是不是一个固定参数的进化算法的问题,而全球结构表示,使解决问题的固定参数的时间。我们提出了硬的情况下,每种方法,并表明这两种方法是高度互补的证明,他们解决对方的硬的情况下非常有效。对于广义旅行商问题,我们分析了问题实例中的聚类数。我们的结果表明,(1+1)EA工作与全球结构表示是一个固定参数的进化算法的问题。
2014-01-09 cs.NE
A First Step Towards Runtime Analysis of Evolutionary Neural Architecture Search
该研究首次从数学运行时角度分析 ENAS,通过 UNIFORM 二分类问题和显式适应度函数证明 (1+1)-ENAS 的局部与全局变异均以 Θ(n) 期望时间达到最优且性能等价。
2024-04-08 cs.NE
Inheritance-Based Diversity Measures for Explicit Convergence Control in Evolutionary Algorithms
多样性是进化算法中的一个重要因素,以防止早熟收敛到一个单一的局部最优。为了在文学发展的过程中保持多样性,文学中存在着各种手段。我们分析多样性的方法,(a)有一个明确的和可量化的影响,在个人层面上的健身和(b)不需要(或很少)额外的领域知识,如特定领域的距离函数。我们还介绍了系谱多样性的概念,在更广泛的研究。我们表明,采用这些方法可以帮助进化算法的全局优化在许多情况下。
2018-10-30 cs.NE
Evolutionary Neural Architecture Search for Transformer in Knowledge Tracing
Anhui University(安徽大学);Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education(教育部智能计算与信号处理重点实验室);Guangdong University of Foreign Studies(广东外语外贸大学)
针对现有基于Transformer的知识追踪方法存在的手动选特征、单一全局建模难捕捉遗忘行为的问题,提出进化神经架构搜索方法,自动选特征并平衡局部/全局上下文建模,在两大教育数据集上验证了有效性。
2023-10-02 cs.AI cs.LG cs.NE
Runtime Analysis of Evolutionary Algorithms via Symmetry Arguments
我们使用基于群体行动的基本论点来证明Sutton和Witt(GECCO 2019)分析的无选择稳态遗传算法需要预期的$Ω(2^n / \sqrt n)$迭代次数来找到任何特定的目标搜索点。该界限对所有总体大小$μ$均有效。我们的结果改善了以前的下限$Ω(\exp(n^{δ/2}))$有效的人口规模$μ= O(n^{1/2 - δ})$,$0 < δ< 1/2$。
2020-10-31 cs.DS cs.NE
Approximation of the objective insensitivity regions using Hierarchic Memetic Strategy coupled with Covariance Matrix Adaptation Evolutionary Strategy
AGH University of Science and Technology(AGH科技大学)
全局优化中最具挑战性的不适定性类型之一是设计参数空间中存在不敏感区域,因此如果不适定性是不可恢复的,则对其形状的识别将是至关重要的。这样的问题可以使用全局随机搜索来解决,然后对局部样本和局部目标近似进行后处理。我们提出了一种新的方法,这种类型的分层模因策略(HMS)由协方差矩阵自适应进化策略(CMA-ES)提供动力,众所周知,作为一种有效的,自适应的随机优化算法,我们利用它积累的分布密度知识,以更好地识别和分离不敏感区域。基准测试结果表明,改进的HMS-CMA-ES策略在总计算量和不敏感区域逼近精度方面都是有效的。测试的参考数据是通过一个众所周知的多模态随机优化的有效策略,称为小生境进化算法2(NEA 2),也使用CMA-ES作为一个组成部分。
2019-05-17 cs.AI cs.NE
Evolutionary Artificial Neural Network Based on Chemical Reaction Optimization
进化算法是设计和进化人工神经网络,特别是训练人工神经网络的常用工具。这些方法具有传统的反向传播(BP)方法的优势,因为它们的低计算要求时,在一个大的解决方案空间搜索。在本文中,我们使用化学反应优化(CRO),一个新发展的全局优化方法,以取代BP在训练神经网络。CRO是一种基于群体的元胞动力学,模拟化学反应中的分子跃迁及其相互作用。仿真结果表明,CRO优于许多EA策略通常用于训练神经网络。
2015-02-01 cs.NE
Hybrid Evolutionary Computation for Continuous Optimization
混合优化算法已经得到普及,因为它已经变得很明显,不可能有一个通用的优化策略,这是全球范围内比任何其他更有益的。尽管它们的流行,杂交框架需要更详细的分类:问题域的性质,组成算法,耦合模式和预期的应用领域。本文提出了一种混合算法,用于解决小到大规模的连续全局优化问题。它包括演化计算(EC)算法和序列二次规划(SQP)算法,结合在一个合作的投资组合。SQP是一种基于梯度的局部搜索方法。为了优化EC和SQP算法对所提出的混合系统的整体成功的单独贡献,对这些算法的关键特征进行了改进。该报告提出了以下方面的增强:i)进化算法,ii)提出了一种新的收敛检测机制; iii)评估SQP局部搜索算法的搜索方向和步长的方法。提出的混合设计的目的是确保这两种算法通过探索和利用问题的搜索空间相互补充。初步的结果证明,一个熟练的杂交进化算法与适当的局部搜索方法,可以产生一个强大的和有效的手段来解决广泛的全局优化问题。最后,初步调查的结果和审查的相关挑战和所提出的方法的固有局限性的讨论,以完成调查。该报告强调了广泛的研究,特别是一些潜在的案例研究和应用领域。
2013-03-14 cs.NE
When is global evolutionary search useful for variational quantum algorithms? A landscape-first study
VSB - Technical University of Ostrava(俄斯特拉发理工大学);IT4Innovations National Supercomputing Center, VSB - Technical University of Ostrava(俄斯特拉发理工大学 IT4创新国家超算中心);Klaipeda University(克莱佩达大学)
本研究通过景观优先实验,发现参数复用和代价项竞争使局部搜索在QAOA中失效,自适应差分进化在困难实例上优于多起点局部搜索,并提出预测全局搜索效用的景观分数。
2026-09-15 cs.NE quant-ph
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
The $(1+(λ,λ))$ Global SEMO Algorithm
Laboratoire d’Informatique (LIX), CNRS(法国国家科学研究中心计算机科学实验室);École Polytechnique(巴黎综合理工学院);Institut Polytechnique de Paris(巴黎理工学院)
$(1+(λ,λ))$遗传算法是最近提出的一种单目标进化算法。我们表明,它的主要工作原理,高速率的变异和交叉作为修复机制,也可以运输到多目标演化计算。我们定义的$(1+(λ,λ))$全球SEMO算法,经典的全球SEMO算法的变体,并证明它优化的OneMinMax基准渐近快于全球SEMO。单目标的例子之后,我们设计了一个五分之一的规则启发的动态参数设置(尽我们所知的第一次在离散多目标优化),并证明它进一步提高了运行时间$O(n^2)$,而最好的运行时间保证全局SEMO只有$O(n^2 \log n)$。
2022-10-07 cs.AI cs.NE
Theoretical Analyses of Evolutionary Algorithms on Time-Linkage OneMax with General Weights
本文分析带一般权重的时间链接OneMax问题,证明除权重0和1外,RLS和(1+1)EA无法以正概率收敛到全局最优,负权重下失败概率至少1-o(1),正权重大于1时失败概率至多c+o(1)(c<1)。
2023-05-11 cs.NE
Optimizing the Parameters of A Physical Exercise Dose-Response Model: An Algorithmic Comparison
本研究的目的是比较的鲁棒性和性能的局部和全局优化算法时,给定的任务,一个共同的非线性剂量-反应模型的参数在运动生理学领域的拟合。传统上,剂量-反应模型的参数已经使用非线性最小二乘程序结合局部优化算法来拟合。然而,这些算法在收敛于全局最优解的能力上表现出局限性。本研究的目的是使用一种基于演化计算的算法作为替代方法来拟合非线性剂量反应模型。我们的比较超过1000个实验运行的结果表明,优越的性能的演化计算为基础的算法,始终实现更强的模型拟合和保持性能相比,本地搜索算法。这一初步研究表明,全球演化计算为基础的优化算法可能会提出一个快速和强大的替代局部算法时,拟合非线性剂量反应模型的参数。
2020-12-16 cs.NE
On the utility of the multimodal problem generator for assessing the performance of Evolutionary Algorithms
本文详细介绍了如何进化算法试图解决多模态问题发生器的实例。该文件表明,为了始终达到全局最优,进化算法需要的人口规模,应至少与峰的数量呈线性增长。它还显示了供应和决策问题之间的密切关系,以前已确定的背景下,人口规模模型的添加剂可分解的问题。然而,最重要的结果的文件,是解决一个多模态问题发生器的实例就像解决一个峰在一个干草堆,有人认为,进化算法不是最好的算法,这样的任务。最后,与一些研究人员一直在做的相反,我们坚信多模态问题生成器不足以评估进化算法的性能。
2006-02-14 cs.NE
Efficient Antenna Optimization Using a Hybrid of Evolutionary Programing and Particle Swarm Optimization
在本文中,我们提出了一种混合的进化规划(EP)和粒子群优化(PSO)算法的数值效率的天线阵列和元表面的全局优化。混合EP-PSO算法采用进化优化方法,将群体方向的标准自适应EP算法。作为例子,我们已经将这种混合技术应用到两个天线问题:非均匀间隔(非周期性)线性阵列的旁瓣电平降低和加载有部分反射元表面的印刷天线的波束成形。文中给出了混合EP-PSO技术与纯EP-PSO技术和纯PSO技术的详细比较,证明了这种混合技术在复杂天线设计问题中的有效性。
2022-05-11 cs.NE eess.SP physics.app-ph
A Novel Evolutionary Algorithm for Hierarchical Neural Architecture Search
University of Macedonia(马其顿大学)
本研究提出一种带层次化模块架构表示与子结构筛选机制的新型进化算法,用于全局空间的神经架构搜索,在Fashion-MNIST和NAS-Bench101上以较少世代数取得了93.2%和94.8%的准确率。
2023-05-04 cs.LG cs.NE
Voronoi-based Efficient Surrogate-assisted Evolutionary Algorithm for Very Expensive Problems
在实际系统中,一次适应度评估需要花费几个小时甚至几天的时间,这是非常昂贵的问题。在过去的几十年中,代理辅助进化算法(SAEAs)被广泛用于解决这一关键问题。然而,大多数研究SAEA专注于解决问题的预算至少十倍的问题,这是不可接受的,在许多非常昂贵的现实世界的问题。在本文中,我们采用沃罗诺伊图,以提高SAEA的性能,并提出了一种新的框架命名为Voronoi为基础的高效代理辅助进化算法(VESAEA)非常昂贵的问题,其中的优化预算,在适应度评价,只有5倍的问题的尺寸。在该框架中,沃罗诺伊图将整个搜索空间划分为若干个子空间,然后在某些潜在的更好的子空间中进行局部搜索。此外,为了权衡探索和开发,该框架涉及一个全局搜索阶段,通过结合留一交叉验证和径向基函数代理模型。性能选择器被设计成在全局和局部搜索阶段之间动态地和自动地切换搜索。各种基准问题的实证结果表明,所提出的框架显着优于几个国家的最先进的算法与极其有限的健身评估。此外,进一步分析了Voronoi图的有效性,结果表明它具有优化非常昂贵的问题的潜力。
2019-10-25 cs.NE
Evolutionary Computation Algorithms for Cryptanalysis: A Study
各种密码问题的密码分析都可以归结为NP-难组合问题。解决这样的问题需要时间和/或存储器需求,其随着问题的大小而增加。解决组合问题的技术分为两大类-精确算法和演化计算算法。精确算法保证了问题的最优解被找到,而分支定界法、单纯形法、蛮力法等精确算法由于其复杂性(时间和内存需求),对于求解组合问题是非常低效的。采用演化计算算法试图找到一个适当的解决方案的问题。提出了一种演化计算算法--遗传算法、模拟退火算法和禁忌搜索算法,为密码分析提供了一种鲁棒、高效的方法。这些技术的目的是找到足够的“好”的解决方案有效地与问题的特点,而不是全局最优解,因此,它也提供了有吸引力的替代大规模的应用。本文主要研究演化计算算法的方法论问题。
2010-06-30 cs.CR cs.NE
Winning the CityLearn Challenge: Adaptive Optimization with Evolutionary Search under Trajectory-based Guidance
Virginia Tech(弗吉尼亚理工大学)
现代电力系统在未来几年将不得不面对艰难的挑战:高电力需求峰值导致的城市地区频繁停电,间歇性可再生能源发电加剧的电网不稳定,以及碳排放增加加剧的全球气候变化。虽然目前的实践越来越不充分,但人工智能(AI)方法的广泛采用受到缺乏可信度方面的阻碍。CityLearn Challenge为来自多个学科的研究人员提供了一个绝佳的机会,让他们可以研究人工智能解决能源领域这些紧迫问题的潜力,这些问题被集体建模为强化学习(RL)任务。当代RL技术所面临的多个现实世界的挑战体现在问题的制定。在本文中,我们提出了一种新的方法,使用优化的解决方案函数作为政策来计算顺序决策的行动,同时显着地适应在线观测的优化模型的参数。在数学上,这是通过一种新的基于概率的制导方案下的进化算法来实现的。形式上,建立了全局收敛性。我们的代理在最新的2021年CityLearn Challenge中排名第一,能够在几乎所有指标中实现卓越的性能,同时保持可解释性的一些关键方面。
2022-12-04 cs.LG cs.NE cs.SY