Enhanced Multiobjective Evolutionary Algorithm based on Decomposition for Solving the Unit Commitment Problem
机组组合（UC）问题是一个非线性、高维、高约束、混合整数的电力系统优化问题，文献中一般以系统运行成本最小为唯一目标进行求解。然而，由于越来越多的环境问题，最近的注意力已经转移到将排放的问题制定。本文提出了一种基于分解的多目标进化算法（MOEA/D），将UC问题作为一个以费用和排放最小化为多目标的多目标优化问题进行求解。由于UC问题是一个由二元UC变量和连续电力调度变量组成的混合整数优化问题，因此在MOEA/D框架下提出了一种新的混合策略，即遗传算法（GA）对二元变量进行进化，而差分进化（DE）对连续变量进行进化。进一步，提出了一种新的非均匀权值向量分布策略，并实现了基于MOEA/D与均匀和非均匀权值向量分布策略相结合的并行岛模型，以提高所提出算法的性能。在不同的测试系统上进行了大量的案例研究，并通过严格的仿真结果验证了所提出的混合策略，非均匀权重向量分布策略和并行岛模型的有效性。此外，详尽的基准对文献中提出的算法，以证明该算法在获得更好的收敛和均匀分布的权衡解决方案的优越性。
2014-10-23 cs.NE
Cuckoo Search Inspired Hybridization of the Nelder-Mead Simplex Algorithm Applied to Optimization of Photovoltaic Cells
一种新的杂交的布谷鸟搜索（CS）的开发和应用，以优化多电池太阳能系统，即多结和分裂光谱电池。新的方法包括结合CS与Nelder-Mead方法。更确切地说，而不是使用单一的解决方案作为嵌套的CS，我们使用的概念，是一个单纯形中使用的Nelder-Mead算法。这使得可以使用Nelder-Mead算法中引入的翻转操作来代替作为CS的标准部分的Levy飞行。通过这种方式，混合算法变得更加鲁棒，并且对CS中存在的参数调整不太敏感。我们工作的目标是优化多电池太阳能系统的性能。虽然潜在的问题包括一个相对较少的参数的函数的最小化，困难来自于这样的事实，即函数的评估是复杂的，只有少量的评估是可能的。在我们的测试中，我们表明，新方法具有更好的性能相比，类似的，但更复杂的Nelder-Mead算法的混合使用遗传算法或粒子群优化标准的基准函数。最后，我们表明，新的方法优于一些标准的元算法的问题的兴趣。
2014-11-02 cs.NE
A Modular Hybridization of Particle Swarm Optimization and Differential Evolution
在群体智能中，粒子群优化（PSO）和差分进化（DE）已经成功地应用于许多优化任务中，并且已经引入了大量变体，其中实现了新的算法算子或组件，以提高经验性能。在本文中，我们首先提出将PSO或DE的变体进行组合，通过将每个算法模块化并将其变体作为相应模块的不同选项。然后，考虑到PSO和DE的内部工作原理之间的相似性，我们杂交的算法，通过创建两个种群的PSO和DE分别与变异算子，并选择这两个群体的个人。由此产生的新的杂交，称为PSODE，涵盖了双方最新的变体，更重要的是，通过其中模块的不同实例化，产生了大量看不见的群算法。详细地说，我们考虑16个不同的变异算子源自现有的PSO和DE算法，其中，结合4个不同的选择算子，允许杂交框架产生800种新的算法。由此产生的一组混合算法，以及相结合的30 PSO和DE算法，可以产生与所考虑的运营商，进行测试的24个问题，从著名的COCO/BBOB基准套件，跨多个功能组和维度。
2020-06-21 cs.NE
Quantum-Inspired Evolutionary Algorithms for Feature Subset Selection: A Comprehensive Survey
本文全面综述了用于解决特征子集选择问题的量子启发式进化算法，分析了56篇相关文献中的新颖元素、启发式类型、目标函数及量子门，并提出了未来的开放性研究问题。
2024-07-25 cs.NE
Solving Linear Equations Using a Jacobi Based Time-Variant Adaptive Hybrid Evolutionary Algorithm
对于大型线性方程组，特别是稀疏的、结构化的系数（矩阵）方程组，用经典方法求解变得困难。进化算法主要用于解决各种优化和学习问题。近年来，经典方法（Jacobi方法和Gauss-Seidel方法）与演化计算技术的混合已经成功地应用于线性方程的求解。在上述两种混合进化方法中，均采用均匀自适应技术来自适应松弛因子。提出了一种新的基于Jacobi的时变自适应混合进化算法。在该算法中，一个时变自适应（TVA）技术的松弛因子被引入，旨在改善精细的局部调整和减少的缺点，均匀的松弛因子的适应。该算法将基于Jacobi的SR方法与时变自适应进化算法相结合。从理论上证明了算法的收敛性定理。并在实验域内将该算法与JBUA混合进化算法和经典算法进行了性能比较。该算法在收敛速度和有效性方面均优于JBUA混合算法和经典方法。
2013-04-13 cs.NE
Graph 3-coloring with a hybrid self-adaptive evolutionary algorithm
提出了一种混合自适应进化算法用于图着色，该算法融合了启发式基因型-表型映射、交换局部搜索启发式算法和中性幸存者选择算子.该算法与Eiben等人的SAW方法的进化算法进行了比较，Hertz和de Werra的Tabucol算法，Galinier和Hao的混合进化算法。这些算法的性能进行了测试的测试套件组成的随机生成的3-colorable图形的各种结构特征，如图形的大小，类型，边缘密度和颜色类的大小的变化。此外，生成了测试图，其中包括图形难以着色的相变。广泛的实验工作的目的有三个方面：调查的行为测试算法在相变，以确定什么样的影响杂交与DSatur传统的启发式进化算法，并显示图的结构特征如何影响性能的图着色算法。结果表明，该算法的性能与目前最好的图着色算法之一的混合进化算法相当，甚至更好.此外，所有考虑的算法在平面图上表现不佳的事实证实了这种类型的图确实是最难着色的。
2013-01-05 cs.NE
Nature-Inspired Algorithms in Optimization: Introduction, Hybridization and Insights
Middlesex University London（伦敦密德萨斯大学）
本章概述了优化问题及自然启发式元启发式算法，探讨了算法混合的作用与相关问题，并强调了基准测试在评估优化算法性能中的重要性。
2023-08-30 cs.AI cs.NE math.OC
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
A Theoretical Assessment of Solution Quality in Evolutionary Algorithms for the Knapsack Problem
进化算法非常适合解决背包问题。一些实证研究声称，进化算法可以产生很好的解决方案的0 - 1背包问题。尽管如此，很少有严格的调查解决方案的质量，进化算法可能产生的背包问题。目前的论文集中在三种类型的（N +1）进化算法，利用逐位变异，截断选择，加上不同的修复方法的0 - 1背包问题的理论研究。它根据近似比来评估解的质量。我们的工作表明，纯策略和混合策略进化算法产生的解决方案是任意坏的。然而，使用辅助目标的进化算法可以产生0 - 1背包问题的1/2近似解。
2014-04-14 cs.NE
An Analytic Expression of Relative Approximation Error for a Class of Evolutionary Algorithms
演化计算中的一个重要问题是进化算法如何产生好的解。本文的目的是提供一个解析分析的解决方案的质量方面的相对逼近误差，这是由1之间的误差和进化算法找到的解决方案的逼近比定义。由于进化算法是迭代法，相对逼近误差是代的函数。借助于矩阵分析，可以得到这种函数的精确表达式。本文对一类进化算法，即（1+1）严格精英进化算法，给出了计算相对逼近误差的解析表达式。此外，还导出了这类进化算法每代适应值和平均收敛速度的解析表达式。该方法是有前途的，它可以扩展到非精英或基于人口的算法。
2016-11-24 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
Using Genetic Algorithm in the Evolutionary Design of Sequential Logic Circuits
进化硬件是一组基于可重构硬件系统与进化算法相结合的思想的技术。换句话说，进化硬件有两个部分;可重构硬件和进化算法，其中配置是在进化算法的控制下。本文提出了一种同步时序电路的设计与优化方法。采用遗传算法作为进化算法。在这种方法中，每个DFF的输入组合逻辑电路和输出组合逻辑电路均采用单元阵列。结果表明，该方法通过限制搜索空间，可以减少平均生成次数。
2011-10-05 cs.NE
Analysis of Solution Quality of a Multiobjective Optimization-based Evolutionary Algorithm for Knapsack Problem
多目标优化被认为是进化优化中处理约束优化问题最有前途的方法之一。本文对求解0-1背包问题的多目标优化进化算法进行了理论研究。该算法考虑了两种初始化方法：局部搜索初始化和贪婪搜索初始化。然后从逼近比的角度分析了算法的解质量。
2015-02-12 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
Adaptation and Self-Organization in Evolutionary Algorithms
摘要：演化计算的目标是通过模拟自然进化的机制来解决实际问题（例如优化、数据采掘）。本论文讨论了与进化系统中的适应和自组织相关的几个主题，其总体目标是提高进化算法（EA）的性能，理解其与自然进化的关系，并引入新的机制来模拟复杂的生物系统。
2009-07-03 cs.NE
An Experimental Study of Adaptive Control for Evolutionary Algorithms
探索与利用的平衡是演化计算的一个关键问题。在本文中，我们将探讨如何自适应控制器的目的是执行操作员选择可以用来动态管理所需的EvE平衡的搜索，显示由这种控制范式确定的搜索策略导致改进的解决方案的质量发现的进化算法。
2014-09-05 cs.NE
Chess Player by Co-Evolutionary Algorithm
提出了一种基于棋手的协同进化算法。算法的实现细节，即编码，人口，变异算子进行了描述。玩家的alpha-beta或mini-max行为是通过两个竞争或合作的群体来实现的。特别注意的是适应度函数的评估（心脏的解决方案）。提供了算法与算法或人类玩家的测试结果。
2016-05-21 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
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
A New Many-Objective Evolutionary Algorithm Based on Determinantal Point Processes
为了处理不同类型的多目标优化问题（MaOP），多目标进化算法（MaOEAs）需要在高维目标空间中同时保持收敛性和种群多样性。为了平衡多样性和收敛性之间的关系，我们引入了一个核矩阵和概率模型称为决定点过程（DPP）。提出了一种基于确定性点过程的多目标进化算法（MaOEADPPs），并与现有的几种基于不同类型MaOPs的进化算法\textcolor{blue}{with different numbers of objectives}进行了比较。实验结果表明，MaOEADPPs具有较强的竞争力。
2020-12-15 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
Convergence of a Recombination-Based Elitist Evolutionary Algorithm on the Royal Roads Test Function
我们提出了一个分析的精英进化算法的性能，使用被称为1位交换的皇家道路测试功能的基础上的人口重组运营商。我们推导出算法的完全、近似和渐近收敛速度。完整的模型显示了人口规模和重新组合池的好处。
2011-08-24 cs.NE
New Model for Multi-Objective Evolutionary Algorithms
多目标进化算法是解决多目标优化问题的有效方法。到目前为止，已经提出了数十个MOEA。统一模式将为建立新的多边环境协定提供一个更系统的办法。在这里，提出了一个新的模型，其中包括两个子模型的基础上两类不同的模式MOEA。在此基础上，对一些有代表性的算法进行了分解，并讨论了一些有趣的问题.
2011-01-31 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
Still doing evolutionary algorithms with Perl
Algorithm：：Evolutionary（A：：E from now on）是在2002年在慕尼黑的YAPC：：EU的一次演讲之后引入的。7年后，A：：E的版本是0.67（超过了它的“野兽数”0.666），并且已经被广泛使用，成为我们研究小组正在进行的大部分（计算机）科学的基础（当然，其他人并不多）。然而，还没有完成所有的工作;现在，A：：E正在与POE集成，以便进化算法（EA）可以与各种服务器组合，并用于客户端、服务器以及介于两者之间的任何东西。在这个演讲的同伴中，我将解释什么是进化算法，它们被用于什么，如何用Perl来做（使用CPAN中的这些或其他精细模块）以及进化算法可以为Perl做什么。
2009-08-04 cs.NE
Prospective Algorithms for Quantum Evolutionary Computation
这项工作研究了新兴的量子计算领域和更成熟的演化计算领域的交叉点。我们的目标是了解量子计算可能为计算智能提供什么好处，以及计算智能范式如何实现为在未来量子计算机上运行的量子程序。我们批判性地研究了用于实现计算智能范例的算法和方法，主要集中在启发式优化方法，包括和相关的演化计算，特别是考虑到它们最终在量子计算硬件上实现的潜力。
2008-04-07 cs.NE
A Simple Haploid-Diploid Evolutionary Algorithm
最近有人提出，进化利用了一种形式的健身景观平滑真核性别由于单倍体-二倍体循环。这篇简短的论文提出了一个简单的修改标准的进化计算算法，同样受益于这个过程。使用著名的NK模型的健身景观，它表明，出现的好处是增加了坚固性。
2019-03-27 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
Genealogical Distance as a Diversity Estimate in Evolutionary Algorithms
群体中两个个体之间的进化编辑距离，即，从一个个体开始产生另一个个体的进化过程所需的任何遗传算子的应用量似乎是对所述个体之间的多样性的有希望的估计。我们引入系谱多样性，即，通过分析两个个体基因组中大的、未使用的部分来估计它们的相关程度，作为一种计算效率高的方法来近似计算多样性。
2017-04-27 cs.NE
Benchmarking the Hill-Valley Evolutionary Algorithm for the GECCO 2018 Competition on Niching Methods Multimodal Optimization
本报告介绍了最新版本的山谷进化算法（HillVallEA）在CEC 2013小生境基准测试套件上的基准测试结果。基准测试遵循GECCO 2018竞争对多模态优化小生境方法的限制。特别地，不执行问题相关的参数调整。对HillVallEA的原始出版物进行了一些调整，这些调整在本报告中进行了讨论。
2018-07-11 cs.NE
Adaptive Parameter Selection in Evolutionary Algorithms by Reinforcement Learning with Dynamic Discretization of Parameter Range
用于进化算法的在线参数控制器在进化算法运行期间调整参数值。最近Karafotias等人提出了一种新的基于强化学习的参数控制器。然而，在运行期间执行自适应离散化可以提高进化算法的效率。Aleti等人提出了另一种具有自适应离散化的有效控制器。本文提出了一种基于自适应离散化强化学习的参数控制器。所提出的控制器与现有的参数调整方法进行了比较几个测试问题，使用不同的配置的进化算法。对于测试问题，我们考虑四个连续函数，即球函数，Rosenbrock函数，Levi函数和Rastrigin函数。结果表明，新的控制器优于其他控制器上考虑的大多数测试问题。
2016-03-22 cs.NE
Time Complexity Analysis of Evolutionary Algorithms for 2-Hop (1,2)-Minimum Spanning Tree Problem
最小生成树问题（Minimum Spanning Tree Problem）MSTP）是一个著名的组合优化问题，进化计算领域的研究人员对该问题进行了广泛的研究，从理论上分析了进化算法的优化性能。在本文中，我们考虑一个约束版本的问题命名为2-跳（1，2）-最小生成树问题（abbr。2 H-（1，2）-MSTP）的进化算法的背景下，这已被证明是NP难的。随着进化算法如何应用于求解MSTP，我们首先考虑了适用于2 H-（1，2）-MSTP的基于边表示的搜索点的进化算法（包括（1+1）EA，全局简单进化多目标优化算法及其两个变体）。更具体地说，我们分别研究其预期时间的上限（即，适应度评估的期望数目）以获得关于不同适应度函数的$\frac{3}{2}$近似解。受2-hop生成树特殊结构的启发，我们还考虑了基于顶点表示的搜索点的（1+1）EA，并给出了其获得$\frac{3}{2}$ -近似解的期望时间的上界，该上界优于上述方法.
2021-10-10 cs.NE
Why We Do Not Evolve Software? Analysis of Evolutionary Algorithms
在本文中，我们回顾了最先进的演化计算的结果，并观察到，我们不进化非平凡的软件从头开始，没有人为干预。一些可能的解释被认为是，但我们的结论是，计算复杂性的问题，防止它被解决，目前尝试。必要的和可用的计算资源的详细分析，以支持我们的研究结果。
2018-10-12 cs.NE
A Polynomial Time Approximation Scheme for a Single Machine Scheduling Problem Using a Hybrid Evolutionary Algorithm
目前，混合进化算法，即结合若干变异算子的启发式搜索算法，已成为解决各种NP-难优化问题的一种相当流行的方法。虽然实证研究表明，混合进化算法经常成功地找到解决方案，具有足够接近最佳的适应度，很少有文章解决的计算复杂性在数学上严格的方式。本文致力于一个数学动机的设计和分析的参数化家庭的进化算法，提供了一个多项式时间的近似计划，著名的NP-难的组合优化问题之一，即“单机排序问题无优先约束”。作者希望本文中开发的技术和思想可以应用于许多其他情况。
2014-04-22 cs.NE
Co-Evolutionary Diversity Optimisation for the Traveling Thief Problem
最近，不同的演化计算方法已经开发，生成一组高质量的不同的解决方案，为一个给定的优化问题。许多研究认为多样性1）是探索行为空间中的小生境（质量多样性）或2）增加解决方案的结构差异（进化多样性优化）的一种手段。在这项研究中，我们引入了一个协同进化算法，同时探索两个空间的多组件旅行小偷问题。结果表明，协同进化算法的能力，以实现显着更高的多样性相比，基线进化多样性算法从文献。
2022-07-28 cs.NE
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
Optimal Static Mutation Strength Distributions for the $(1+λ)$ Evolutionary Algorithm on OneMax
大多数进化算法都有参数，这使得它们在控制行为和适应新问题方面具有很大的灵活性。为了达到最佳性能，在优化过程中往往需要对某些参数进行控制，这就产生了各种参数控制方法。然而，在最近的工作中，类似的优点已经显示出来，甚至证明，从某些，往往是重尾，固定分布的采样参数值。这产生了一个家族的算法目前被称为“快速演化策略“和“快速遗传算法“。然而，只有很少有人知道到目前为止，这些分布对进化算法的性能的影响，以及（动态）参数控制和（静态）参数采样之间的关系。我们的知识体系的贡献，第一次，一个算法，计算最佳的静态分布，它描述了著名的简单的$(1+λ)$进化算法中使用的变异算子上的一个经典的基准问题OneMax。我们表明，对于足够大的人口规模，这样的最优分布可能是令人惊讶的复杂和违反直觉。我们调查这些分布的某些属性，并使用常用的突变分布的$(1+λ)$进化算法的性能遗憾进行评估。
2021-06-04 cs.NE
Analysis of Evolutionary Algorithms in Dynamic and Stochastic Environments
许多现实世界的优化问题发生在动态变化或涉及随机组件的环境中。进化算法和其他生物启发式算法已被广泛应用于动态和随机问题。本次调查给出了一个概述，这些问题的运行时分析领域的主要理论发展。我们回顾了最近的进化算法和蚁群优化问题的目标函数或约束随时间变化的理论研究。此外，我们考虑了各种噪声模型下的随机问题，并指出了未来的研究方向。
2018-06-22 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
Gradient Based Hybridization of PSO
Mahindra University（马欣德拉大学）
针对粒子群优化（PSO）存在的过早停滞、探索与利用难以平衡等问题，研究了多种将基于梯度的优化器与PSO协同的混合策略，分析其相对优势与应用场景，以提升PSO的优化效率与效果。
2023-12-15 cs.AI cs.NE
Optimization by Hybridization of a Genetic Algorithm with the PROMOTHEE Method: Management of Multicriteria Localization
确定一个或几个国家的经济活动地点的决定是在考虑到许多参数和标准的情况下作出的。在这一领域进行了几项研究，但它们通常使用的信息范围较窄。大多数是完全基于参数，使用传统的方法，往往会导致不满意的solutions.This工作包括杂交通过遗传算法，经济智能（EI）和多准则分析方法（MCA），以提高领土本地化的决策。目的是引导公司将其活动定位在能够使其具有竞争优势的地方。这项工作还包括确定可能影响经济行为者决策的所有参数，并利用所有现有的国家和国际数据为他们提供工具，以绘制有利于该地点的国家、地区或部门的地图。在整个研究过程中，我们的目标是实现基于多准则的经济智能混合概念模型与遗传算法，以优化本地化决策，从这个角度来看，我们选择了PROMETHEE（富集评估方法的偏好排名组织）的方法，这使得有可能获得各种愿景和各种观点之间的最佳折衷。
2020-01-10 cs.NE q-fin.GN
Evolving Evolutionary Algorithms with Patterns
Babeş-Bolyai University（巴比什-博雅依大学）；Faculty of Mathematics and Computer Science（数学与计算机科学学院）
提出了一种新的进化算法模型。该模型是基于多表达式编程（MEP）技术。每个MEP染色体编码一种进化模式，这种模式被重复用于产生新一代的个体。演化模式被嵌入到用于解决特定问题的标准演化方案中。几个进化算法的函数优化的进化使用所考虑的模型。进化算法与人类设计的遗传算法进行了比较。数值实验表明，进化的进化算法可以与标准方法的几个著名的基准问题。
2021-10-10 cs.AI cs.NE
Evolutionary Optimization in an Algorithmic Setting
进化过程被证明是非常有用的解决优化问题。在这项工作中，我们建立了一个形式化的概念，合作和竞争的多个系统的工作朝着一个共同的优化目标的人口使用演化计算技术。进化算法比传统的递归算法具有更好的表达能力。本文提出了进化算法的三个子类：有界有限型、无界有限型和无限型。给出了上述类的完备性、最优性和搜索可判定性的一些结果。本文对进化图灵机模型进行了自然扩展，使人们能够用数学方法描述和研究优化种群的合作与竞争特性。
2006-11-16 cs.AI cs.NE
Evolutionary Mesh Numbering: Preliminary Results
Ecole Polytechnique（巴黎综合理工学院）
本文使用进化算法对有限元方法中的网格编号问题进行初步研究，实现了对标准启发式方法12%-20%的改进。
2007-06-11 cs.NA cs.NE math.NA
Kinetic Market Model: An Evolutionary Algorithm
本研究以经济物理学动态市场模型作为演化演算法的应用范例。这一建议的直接结果是一个新的替代规则的家庭竞争遗传算法。它也代表了将可演化实体添加到动态市场模型的起点。
2019-06-04 cs.NE q-fin.GN
Regularized Evolutionary Algorithm for Dynamic Neural Topology Search
University of Trento（特伦托大学）；Fondazione Bruno Kessler (FBK)（布鲁诺·凯斯勒基金会）
设计用于对象识别的神经网络需要大量的架构工程。作为一种补救措施，神经进化网络结构搜索，它使用进化算法自动搜索最佳网络结构，最近变得非常流行。虽然非常有效，但进化算法严重依赖于具有大量个体（即，网络体系结构）并且因此存储器昂贵。在这项工作中，我们提出了一个具有低内存占用的正则化进化算法来进化动态图像分类器。在细节上，我们引入了新的自定义算子，规范了10个个体的微种群的进化过程。我们在三个不同的数字数据集（MNIST，USPS，SVHN）上进行了实验，结果表明，我们的进化方法获得了与当前最先进的竞争结果。
2019-08-19 cs.CV cs.NE
An Approach to Solve Linear Equations Using a Time-Variant Adaptation Based Hybrid Evolutionary Algorithm
Khulna University of Engineering and Technology（库尔纳工程与技术大学）
本文提出一种基于时间变适应的混合进化算法，用于高效求解大规模线性方程，通过对比实验验证其在效率上的优越性。
2013-04-11 cs.NA cs.NE math.NA
Modeling and Uncertainty Analysis of Groundwater Level Using Six Evolutionary Optimization Algorithms Hybridized with ANFIS, SVM, and ANN
Vali-e-Asr University of Rafsanjan（拉夫桑贾尼瓦利阿斯尔大学）；Semnan University（塞姆南大学）；Texas A&M University（德克萨斯农工大学）；Bauhaus-Universität Weimar（魏玛包豪斯大学）
在本研究中，六个元启发式计划与人工神经网络（ANN），自适应神经模糊接口系统（ANFIS）和支持向量机（SVM）杂交，预测月地下水位（GWL），评估预测的不确定性分析和空间变化分析。采用草蜢优化算法（GOA）、猫群优化算法（CSO）、杂草算法（WA）、遗传算法（GA）、磷虾算法（KA）和粒子群优化算法（PSO）等6种算法进行混合，以提高ANN、SVM和ANFIS模型的性能。地下水位（GWL）数据的Ardebil平原（伊朗）为期144个月的混合模型进行了评估。主成分分析（PCA）的预处理技术，以减少输入组合从每月的时间序列到12个月的预测间隔。结果表明，ANFIS-GOA混合模型对试验阶段第一、三测压管的GWL预测效果优于其他混合模型。采用优化算法的混合模型的性能远远优于没有混合的经典ANN、ANFIS和SVM模型。在训练阶段，ANFIS-GOA与压力计10中的独立ANFIS相比，RMSE、MAE、NSE和PBIAS的改善百分比分别为14.4%、3%、17.8%和181%，在测试阶段分别为40.7%、55%、25%和132%。压力计6在训练步骤中的改进分别为15%、4%、13%和208%，在测试步骤中分别为33%、44.6%、16.3%和173%，这清楚地证实了所开发的杂交方案在GWL建模中的优越性。不确定性分析表明，ANFIS-GOA和SVM的性能分别最好和最差的其他模型。一般来说…
2020-06-28 cs.LG cs.NE eess.SP
Evolving Evolutionary Algorithms using Linear Genetic Programming
Babes-Bolyai University（巴比什-波雅依大学）
提出了一种新的进化算法模型。该模型是基于线性遗传编程（LGP）技术。每个LGP染色体编码一个用于解决特定问题的EA。几个进化算法的函数优化，旅行商问题，二次分配问题的进化使用所考虑的模型。数值实验表明，进化算法执行类似的，有时甚至比几个著名的基准测试问题的标准方法更好。
2021-08-21 cs.AI cs.NE
A Weight-coded Evolutionary Algorithm for the Multidimensional Knapsack Problem
提出了一种求解多维背包问题的改进权值编码进化算法（RWCEA）。该RWCEA使用了一种新的解码方法，并在初始化中采用了一种探试法。计算结果表明，RWCEA的性能优于Raidl（1999）提出的权重编码的进化算法和一些现有的基准，它可以产生更好的结果比在OR库中报告的。
2015-04-01 cs.NE math.OC
Parameterized Analysis of Multi-objective Evolutionary Algorithms and the Weighted Vertex Cover Problem
Kratsch和Neumann（2013）在参数化复杂性分析的背景下对经典顶点覆盖问题的进化多目标优化进行了严格的运行时分析。在本文中，我们将分析扩展到加权顶点覆盖问题，并提供了一个固定参数的进化算法关于OPT，成本的最优解的问题。此外，使用的多样性机制，我们提出了一个多目标进化算法，找到一个2-近似在期望的多项式时间，并引入一个基于种群的进化算法，找到一个$(1+\varepsilon)$ -近似在期望的时间$O(n\cdot 2^{\min \{n,2(1- \varepsilon)OPT \}} + n^3)$。
2016-04-06 cs.DS cs.NE
Evolutionary techniques in lattice sieving algorithms
基于格的密码学最近成为量子时代安全通信的重要候选者。它的安全性依赖于某些格问题的难度，以及已知的格算法（如格筛选）无法有效地解决这些问题。在本文中，我们调查之间的相似之处格筛和进化算法，各种改进格筛可以被看作是已知技术的应用程序从演化计算，以及其他进化技术如何在实践中有利于格筛。
2019-07-10 cs.DS cs.NE
Evolutionary Algorithms and Dynamic Programming
近年来，人们已经证明，进化算法产生良好的结果，为广泛的组合优化问题。所考虑的一些问题是解决进化算法，使用的表示，使他们能够构建解决方案中的动态规划的方式。我们采取了一般的方法，并涉及到建设这样的算法的发展，使用动态规划技术的算法。因此，我们给出了一般的指导方针，如何开发进化算法，有额外的能力进行动态规划步骤。最后，我们表明，对于广泛的一类所谓的DP-仁慈的问题（这是已知的承认FPTAS）存在一个完全多项式时间的随机近似方案的基础上的进化算法。
2013-01-17 cs.DS cs.NE
On the Runtime of Randomized Local Search and Simple Evolutionary Algorithms for Dynamic Makespan Scheduling
进化算法是求解动态优化问题的常用算法。通过本文，我们有助于对这一研究领域的理论理解。我们提出了第一个计算复杂性分析的进化算法的动态变化的经典组合优化问题，即最大完工时间调度。我们研究了一个强对手的模型，它被允许定期更换一个工作。此外，我们研究了随机变化的设置。我们的研究结果表明，随机局部搜索和一个简单的进化算法是非常有效的动态跟踪变化的问题实例。
2015-04-23 cs.DS cs.NE
