Hybrid Evolutionary Optimization Approach for Oilfield Well Control Optimization
由于地下模型的复杂性和相关的非线性、大量的控制参数、大量的生产场景和地下不确定性，油田生产优化是具有挑战性的。优化涉及耗时的油藏模拟研究，以比较不同的生产方案和设置。本文介绍了两种混合进化优化方法在注水井控优化中的应用效果，并使用Olympus基准程序演示了它们的应用。首先以一个简单的累积流动性加权和（WCF）作为目标函数，然后用折现现金流的净现值（NPV）代替它进行比较。将两种常用的进化优化算法--遗传算法和粒子群优化算法用于井控优化问题的求解。其次，将遗传算法和粒子群算法与另一种流行的优化算法协方差矩阵自适应-演化策略（CMA-ES）混合使用。混合优化运行是通过将产生的种群从一个算法转移到下一个算法作为其初始种群进行进一步改进来进行的。单独的GA和PSO方法需要大约4000次仿真运行才能收敛，而两种混合优化模式（GA-CMA-ES和PSO-CMA-ES）则需要6000次仿真运行。为了减少周转时间，使用商业云计算，并使用并行编程来分配仿真工作负载。遗传算法和粒子群算法在探索性和利用性之间有很好的平衡，因此能够识别感兴趣的区域。CMA-ES算法能够利用其优良的开发特性进一步细化解决方案。因此，GA或PSO与CMA-ES在混合模式下产生更好的优化结果相比，独立的GA或PSO算法。
2021-03-29 cs.NE
Hybrid Augmented Lagrangian Method for General Constrained Optimization via Evolutionary Algorithms
Laboratory of Automation & Robotics (LAR), Department of Electrical & Computer Engineering, University of Patras（帕特雷大学电气与计算机工程学院自动化与机器人实验室）
研究一般约束优化问题，提出混合增广拉格朗日（HyAL）方法，结合增广拉格朗日框架与进化算法优势，解决迭代子问题。实验表明该方法在基准测试中表现出色，优于纯进化方法和先进数值算法，能有效处理高维约束问题。
2026-07-21 cs.NE
Hybridization of evolutionary algorithm and deep reinforcement learning for multi-objective orienteering optimization
多目标定向运动问题是经典的多目标路径问题，在过去的几十年里受到了广泛的关注。本研究试图通过一个问题分解框架来求解MO-OP，即将MO-OP分解为一个多目标背包问题（MOKP）和一个旅行商问题（TSP）。然后分别用多目标进化算法（MOEA）和深度强化学习（DRL）方法求解MOKP和TSP。MOEA模块用于选择城市，而DRL模块用于为这些城市规划哈密尔顿路径。这两个模块的迭代使用推动人口走向MO-OP的帕累托前沿。所提出的方法的有效性进行了比较，对NSGA-II和NSGA-III的各种类型的MO-OP的情况下。实验结果表明，该方法在几乎所有的测试实例上都表现出最好的性能，并表现出很强的泛化能力。
2022-06-21 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
The Hybridization of Branch and Bound with Metaheuristics for Nonconvex Multiobjective Optimization
针对非凸多目标优化问题，提出了一种结合分支定界法和多目标进化算法的混合框架。杂交利用了两种优化策略的互补特性。多目标进化算法的目的是诱导严格的下限和上界在分支定界过程。像这样的紧边界可以减少必须解决的子问题的数量。分支定界法保证了框架的整体收敛，提高了多目标进化算法的搜索能力。将NSGA-II和MOEA/D-DE作为多目标进化算法，给出了混合框架的实现。数值实验验证了混合算法的优势在于分支定界法和多目标进化算法的协同作用。
2022-12-09 cs.NE math.OC
A hybrid evolutionary algorithm with importance sampling for multi-dimensional optimization
针对多维优化问题，提出了一种基于重要性采样方法的混合进化算法。为了利用搜索过程中提供的信息，选择一组访问过的解决方案来为每个维度中的间隔提供分数，并且随着算法的进行而更新。具有较高得分的那些区间被认为是好区间，其用于通过良好遗传学池（具有较小适应度值的个体）之间的相互作用来估计最优解的联合分布。而优良遗传的抽样概率是通过这些估计的优良区间之间的相互作用来确定的。它是一种交叉验证机制，确定好区间和遗传的采样概率，并使用重要性采样方法设计交叉、变异和其他随机算子。由于遗传和区间的选择不直接依赖于适应度的大小，所产生的后代可以避免局部最优的陷阱。算法中还引入了一种纯随机进化算法，以保持种群的多样性。通过30个基准测试函数对算法的性能进行了测试，结果表明，该混合算法是一种有效的多维优化算法.
2013-08-23 cs.NE
Limit-behavior of a hybrid evolutionary algorithm for the Hasofer-Lind reliability index problem
该研究针对Hasofer-Lind可靠度指标问题中的混合微遗传算法，通过马尔可夫链分析证明了其收敛性，并指出遗传修复机制为条件稳定，为等式约束优化提供了理论保障。
2023-05-16 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
Hybridizing the 1/5-th Success Rule with Q-Learning for Controlling the Mutation Rate of an Evolutionary Algorithm
众所周知，进化算法（EA）实现峰值性能只有当它们的参数被适当地调整到给定的问题。更重要的是，已知最佳参数值可以在优化过程期间改变。参数控制机制是为识别和跟踪这些值而开发的技术。最近，一系列严格的理论工作证实了一些参数控制技术的优越性，最好的静态参数的EA。在这些结果中，有在优化OneMax问题时控制$(1+λ)$ ~EA的突变率的示例。然而，在[Rodionova等人，GECCO'19]，这些技术的质量强烈依赖于后代群体大小$λ$。在这项工作中，我们介绍了一种新的混合参数控制技术，它结合了著名的五分之一成功规则与Q学习。我们证明，我们的HQL机制实现了与[Rodionova等人，GECCO'19]和这-与以前的参数控制方法相反-同时用于所有后代群体大小$λ$。我们还表明，HQL的性能并不局限于OneMax，而是扩展到其他几个基准问题。
2020-06-19 cs.NE
A Hybrid Evolutionary Algorithm Framework for Optimising Power Take Off and Placements of Wave Energy Converters
海浪能是一种可再生能源，因其对满足全球能源需求的巨大贡献而备受关注。在这项研究中，我们调查的问题，最大限度地提高所提供的能量的波浪能转换器（WEC）的农场。我们认为国家的最先进的完全淹没三系绳转换器部署在阵列中。这项工作的目标是使用启发式搜索，以优化功率输出的阵列在尺寸受限的环境中配置WEC的位置和功率起飞（PTO）设置为每个WEC。在波浪农场中模拟复杂的水动力相互作用是昂贵的，这限制了搜索只有几千个模型评估。我们探索了各种启发式的方法，包括合作和混合的方法。这些方法的有效性进行了评估，在两个真正的波的情况下（悉尼和珀斯）与两个不同规模的农场。我们发现，对称局部搜索与Nelder-Mead单纯形直接搜索相结合的回溯优化策略的组合能够优于先前定义的搜索技术高达3%。
2019-04-15 cs.NE
A Surrogate-Assisted Controller for Expensive Evolutionary Reinforcement Learning
强化学习（RL）和进化算法（EA）的结合旨在同时利用两种范式的样本效率以及多样性和鲁棒性。最近，基于这一原则的混合学习框架在各种具有挑战性的机器人控制任务中取得了巨大成功。然而，在这些方法中，来自遗传群体的策略通过与真实环境的交互来评估，限制了它们在计算昂贵的问题中的适用性。在这项工作中，我们提出了代理辅助控制器（SC），一种新颖而有效的模块，可以集成到现有的框架，以减轻计算负担的EA部分取代昂贵的政策评估。应用该模块的关键挑战是防止优化过程被代理引入的可能的假极小值所误导。为了解决这个问题，我们提出了两种策略SC控制混合框架的工作流。在OpenAI Gym平台的六个连续控制任务上的实验表明，SC不仅可以显着降低适应度评估的成本，而且还可以通过协作学习和进化过程提高原始混合框架的性能。
2022-04-27 cs.NE
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
Hybrid Self-Attention NEAT: A novel evolutionary approach to improve the NEAT algorithm
本文提出混合自注意力NEAT，利用自注意力选择高维输入的关键部分并混合进化权重，克服原始NEAT局限，在Atari游戏中以更少参数取得可比分数。
2022-08-14 cs.AI cs.NE
Evolutionary-Neural Hybrid Agents for Architecture Search
Jagiellonian University（雅盖隆大学）；Google AI（谷歌人工智能）
神经结构搜索已经显示出自动设计神经网络的潜力。基于深度强化学习的智能体可以学习复杂的架构模式，并探索广阔的组合搜索空间。另一方面，进化算法提供了更高的样本效率，这对于这样的资源密集型应用是至关重要的。为了捕捉这两个世界的最好的，我们提出了一类进化神经混合代理（Evo-NAS）。我们表明，Evo-NAS代理优于神经和进化代理时，适用于一套文本和图像分类基准架构搜索。在一个高复杂度的架构搜索空间的图像分类，Evo-NAS代理超越了常用的代理实现的准确性，只有1/3的搜索成本。
2020-02-15 cs.LG cs.NE stat.ML
Better call Surrogates: A hybrid Evolutionary Algorithm for Hyperparameter optimization
Virginia Tech（弗吉尼亚理工学院）；US Army Research Laboratory（美国陆军研究实验室）；US Army, ERDC-GRL（美国陆军ERDC-GRL）
提出了一种代理辅助进化算法（EA），用于机器学习（ML）模型的超参数优化。所提出的STEADE模型最初使用RadialBasis Function插值估计目标函数景观，然后将知识转移到称为差分进化的EA技术，该技术用于在贝叶斯优化框架的指导下发展新的解决方案。作为NeurIPS 2020黑箱优化挑战的一部分，我们对超参数优化问题的模型进行了经验评估，并展示了STEADE相对于香草EA所带来的改进。
2020-12-11 cs.AI cs.NE
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
Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization
多目标最优化进化算法的主要困难是如何找到一个合适的解，该解能够以高多样性收敛到真正的Pareto前沿。大多数现有的方法，这已经证明了他们的利基对各种实际问题，涉及两个和三个目标，面临着重大的挑战，在依赖的EA参数的选择。此外，设置这样的参数的过程被认为是耗时的，并且一些研究工作试图处理这个问题。提出了一种新的多目标优化算法MoHAEA。MoHAEA允许动态适应的应用程序的运营商的概率（率）演变的多目标问题的解决方案相结合的优势和分解为基础的方法。在10个广泛使用的多目标测试问题上，将MoHAEA与四种最先进的MOEA，即MOEA/D，pa $λ$ -MOEA/D，MOEA/D-AWA和NSGA-II进行了比较。实验结果表明，MoHAEA优于基准算法，它是如何能够找到一个覆盖良好，分布良好的一组点的Pareto阵线。
2020-04-29 cs.NE math.OC
A Hybrid Evolutionary Approach to Solve University Course Allocation Problem
BRAC University（BRAC大学）
针对大学课程分配问题，提出结合局部修复算法与改进遗传算法的混合进化算法，满足课程表无冲突等约束，兼顾时间效率、降低人工负担，经对比验证其准确率和时间效率优于基础优化算法。
2023-07-24 cs.AI 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 Hybrid Evolutionary Algorithm for Reliable Facility Location Problem
Southern University of Science and Technology（南方科技大学）
可靠设施选址问题是运筹学的一个重要研究课题，在现代供应链和物流的决策和管理中起着至关重要的作用。通过求解RFLP，决策者可以在设施中断或故障的风险下获得可靠的选址决策。在本文中，我们提出了一个新的模型的RFLP。与现有的假设不同，我们将分配给每个客户的设施数量设为自变量，这使得模型更接近于现实生活中的场景，但传统方法难以求解。为了解决这个问题，我们提出了EAMLS，一个混合进化算法，它结合了一个难忘的局部搜索（MLS）方法和进化算法（EA）。此外，还提出了一种新的l3-value度量，用于辅助算法收敛速度的分析和进化过程的检验。实验结果表明，我们的EAMLS的有效性和优越的性能，相比CPLEX求解器和遗传算法（GA），在大规模的问题。
2020-06-27 cs.AI cs.NE
A Study of Hybrid and Evolutionary Metaheuristics for Single Hidden Layer Feedforward Neural Network Architecture
Macquarie University（麦考瑞大学）；Jamia Hamdard（贾迈亚哈姆达德大学）
本研究提出混合PSO-SGD及进化算法替代SGD训练单隐层前馈神经网络，显著降低训练MSE（90-95%），并验证了构建块假说的有效性。
2025-06-17 cs.AI cs.NE
Solving Linear Equations by Classical Jacobi-SR Based Hybrid Evolutionary Algorithm with Uniform Adaptation Technique
Khulna University of Engineering and Technology（库尔纳工程与技术大学）
提出一种结合均匀自适应进化计算和经典Jacobi-SR技术的混合算法，用于高效求解线性方程组，并证明其收敛性和适应性，实验表明该算法在收敛速度和有效性上优于基于Gauss-Seidel-SR的混合算法及经典方法。
2013-04-08 cs.NA cs.NE math.NA
Hybrid evolutionary algorithm with extreme machine learning fitness function evaluation for two-stage capacitated facility location problem
本文考虑了两阶段容量受限的设施定位问题（TSCFLP），其中工厂生产的产品通过仓库交付给客户。满足客户需求的前提是有限的工厂生产和有限的仓库储存能力。目标是确定工厂和仓库的位置，以使总成本（包括固定成本和运输成本）最小。提出了一种结合遗传操作和局部搜索的混合进化算法。为了避免在计算时间方面昂贵的群体适应度计算，HEA使用极端机器学习来近似大多数个体的适应度。此外，根据问题的特征，采用两种启发式算法来生成良好的初始种群。从最近的文献中的两组测试实例进行计算实验。该算法的性能进行了评估和分析。与现有的遗传算法相比，该算法可以在合理的计算时间内找到最优解或近似最优解。
2016-05-22 cs.NE math.OC
Cooperative guidance of multiple missiles: a hybrid co-evolutionary approach
本文针对多导弹协同制导中的非平稳性和连续控制问题，提出基于改进自然进化策略的混合协同进化协同制导律，并通过仿真验证了其高精度和有效性。
2023-04-15 cs.CE cs.MA cs.NE
Joint UAV Activation and Placement for Post-Disaster Wireless Restoration via a Hybrid Quantum-Inspired Evolutionary Framework
Mohammed V University in Rabat（拉巴特穆罕默德五世大学）；Hassania School of Public Works (EHTP)（哈桑尼亚公共工程学院）；School of Management, Telecommunications and Computer Science (SUPMTI)（管理、电信与计算机科学学院）；Fordham University（福特汉姆大学）；Misr Higher Institute for Commerce and Computers（埃及商贸计算机高等学院）
针对灾后通信恢复，提出混合K均值量子启发进化算法（HKQEA）联合优化无人机激活与布署，最小化数量并满足约束，实验表明用8架无人机实现高覆盖率与可行性，节省硬件成本。
2026-09-16 cs.NE
Distributed Evolutionary Computation: A New Technique for Solving Large Number of Equations
演化计算技术已经成功地用于解决各种优化和学习问题。进化算法在求解复杂问题时比传统方法更能有效地获得最优解。在具有大参数集的问题的情况下，演化计算技术对于单个处理单元引起巨大的计算负担。考虑到这一局限性，本文提出了一种新的分布式演化计算技术，该技术将决策向量分解成更小的分量，在较短的时间内获得最优解。在该技术中，基于雅可比的时变自适应（JBTVA）混合进化算法是分布式的，结合集群计算。此外，两个新的选择方法，即最佳所有选择（BAS）和孪生选择（TS）的最佳拟合解向量的选择。实验结果表明，该分布式系统对不同类型的大参数问题都能获得最优解，并获得了相当大的加速比。
2013-03-03 cs.NE
Distributed Evolutionary Computation using REST
本文分析了基于REST协议的分布式演化计算，该协议在演化计算上叠加了一个农业模型。采用REST和Perl语言实现了多层感知器（MLP）的进化分布式优化。在这些实验中，已经实现了基于主从的进化算法（EA），其中从进程评估昂贵的适应度函数（训练MLP来解决分类问题）。实验结果表明，并行程序比串行程序具有更好的加速比，且计算时间更短。
2011-05-25 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
Synthesizing multi-layer perceptron network with ant lion, biogeography-based dragonfly algorithm evolutionary strategy invasive weed and league champion optimization hybrid algorithms in predicting heating load in residential buildings
Oxford Brookes University（牛津布鲁克斯大学）
热负荷（HL）精确近似的意义是本研究的主要动机，以区分最有效的预测模型之间的几个神经元启发式模型。提出的模型是通过综合多层感知器网络（MLP）与蚁群优化（ALO），基于地理的优化（BBO），遗传算法（DA），进化策略（ES），入侵杂草优化（IWO）和联赛冠军优化（LCA）的混合算法。每个合奏优化的操作人口。因此，ALO-MLP、BBO-MLP、DA-MLP、ES-MLP、IWO-MLP和LCA-MLP分别在350、400、200、500、50和300的群体大小下表现出最佳性能。通过实施排名系统进行比较。基于获得的总评分（OS），BBO（OS = 36）是最有效的优化技术，其次是ALO（OS = 27）和ES（OS = 20）。由于这些算法的有效性能，相应的MLP可以是有前途的替代传统方法用于HL分析。
2021-02-13 cs.LG cs.NE
Large Language Model Aided Multi-objective Evolutionary Algorithm: a Low-cost Adaptive Approach
本文提出将大语言模型与多目标进化算法结合的自适应混合框架，通过辅助评估和自动提示构建加速收敛，同时降低LLM交互成本，以提升搜索能力和泛化性能。
2024-10-03 cs.NE
Optimisation of Large Wave Farms using a Multi-strategy Evolutionary Framework
波浪能是一种发展迅速、前景广阔的可再生能源。这项研究的主要目标是最大限度地提高一个大型波浪发电场的总利用功率，该发电场由完全浸没的三系绳波浪能转换器（WEC）组成。大型风电场的能量最大化是一个具有挑战性的搜索问题，因为大型风电场中WEC之间的水动力相互作用的计算成本很高，而且搜索空间的维数很高。为了解决这个问题，我们提出了一个新的混合多策略进化框架相结合的智能初始化，二进制人口为基础的进化算法，离散局部搜索和连续的全局优化。为了评估所提出的混合方法的性能，我们将其与各种最先进的优化方法进行比较，包括六种连续进化算法，四种离散搜索技术和三种混合优化方法。结果表明，所提出的方法在收敛速度和农场产量方面表现得更好。
2020-03-21 cs.NE eess.SP
ES-ENAS: Efficient Evolutionary Optimization for Large Hybrid Search Spaces
Google（谷歌）；Columbia University（哥伦比亚大学）；Oxford University（牛津大学）；Waymo（Waymo公司）；UC Berkeley（加州大学伯克利分校）；University of Washington（华盛顿大学）
在本文中，我们探讨的问题，优化黑箱函数在大型混合搜索空间组成的组合和连续参数。我们表明，以前的进化算法依赖于基于突变的方法，而灵活的组合空间，从理论上和经验上都遭受了在高维连续空间的维数灾难，从而限制了它们的范围在混合搜索空间以及。为了对抗这个诅咒，我们提出了ES-ENAS，一个简单的和模块化的联合优化过程，结合了样本有效的平滑梯度技术，通常被称为进化策略（ES），以高度可扩展和直观的方式与组合优化器相结合，灵感来自于高效神经结构搜索（ENAS）中引入的一次性或超网范式。通过这样做，我们实现了显着更多的样本效率，我们经验证明了合成基准，并进一步能够应用ES-ENAS架构搜索流行的RL基准。
2023-03-15 cs.LG cs.NE cs.RO
Recent Progress on Graph Partitioning Problems Using Evolutionary Computation
图划分问题是一个典型的组合优化问题，是NP难问题。目前，已经引入了各种解决GPP的方法。其中，基于演化计算的GPP算法是一种有效的解决方案。自2011年以来，没有任何关于EC应用于GPP的研究的调查。在本综述中，我们介绍了近七年来将EC应用于GPP的各种尝试。
2018-05-04 cs.NE
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
A Hybrid Artificial Bee Colony Algorithm for Graph 3-Coloring
人工蜂群（ABC）是一种优化算法的名称，它的灵感来自蜜蜂群的智能行为。它被广泛认为是一种快速、可靠、高效的求解优化问题的方法。针对图3-着色这一离散优化问题，提出了一种混合ABC（HABC）算法。HABC的结果与著名的图着色算法的今天，即Tabucol和混合进化算法（HEA）和传统的进化算法与SAW方法（EA-SAW）的结果进行了比较。大量的实验表明，HABC匹配的竞争结果的最好的图着色算法，并做得更好，比传统的算法EA-SAW解决均匀，平坦，随机生成的中型图。
2012-05-06 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
For Solving Linear Equations Recombination is a Needless Operation in Time-Variant Adaptive Hybrid Algorithms
本文提出两种改进的混合进化算法，不含重组操作，用于求解大规模线性方程组，实验表明其计算效率更高且更易实现。
2013-04-09 cs.NA cs.NE math.NA
Hybrid Wave-wind System Power Optimisation Using Effective Ensemble Covariance Matrix Adaptation Evolutionary Algorithm
本研究针对漂浮式混合风浪系统的复杂优化问题，提出结合协方差矩阵适应、新颖性搜索和离散化技术的有效集成优化（EEA）方法，在多个海域测试中显著提升了系统的平均功率输出和收敛率。
2025-05-28 cs.NE
A Hybrid Decomposition-based Multi-objective Evolutionary Algorithm for the Multi-Point Dynamic Aggregation Problem
Beijing Institute of Technology（北京理工大学）；Victoria University of Wellington（惠灵顿维多利亚大学）
多点动态聚合（MPDA）问题是一个在实际应用中出现的优化问题，已成为多机器人系统的研究热点之一。本文研究了一个多目标MPDA问题，即设计机器人的执行计划，使机器人的数量最少，所有任务的最大完成时间最短。机器人和任务之间的强耦合关系，MPDA编码的冗余性，以及MO-MPDA问题的可变大小的决策空间，为有效地解决这个问题提出了额外的挑战。针对上述问题，提出了一种基于$ \varepsilon $约束的混合分解多目标进化算法（HDMOEA）。该算法以所有任务的最大完成时间为主要目标，将其他目标转化为约束条件。HDMOEA将MO-MPDA问题分解为一系列标量约束优化子问题，并为每个子问题分配一个机器人数量上限。所有的子问题的优化同时从其他子问题的知识转移。此外，我们开发了一个混合种群初始化机制，以提高初始解的质量，和一个复制机制，以传递有效的信息和解决编码冗余。实验结果表明，所提出的HDMOEA方法显着优于国家的最先进的方法在几个最常用的指标。
2021-05-11 cs.AI 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
SpiderNet: Hybrid Differentiable-Evolutionary Architecture Search via Train-Free Metrics
Red Hat（红帽公司）；Newcastle University（纽卡斯尔大学）
神经结构搜索（NAS）算法旨在消除人工神经网络设计的负担，并已被证明能够为各种众所周知的问题设计优秀的模型。然而，这些算法需要以用户配置或硬编码决策的形式的各种设计参数，这限制了可以发现的网络的种类。这意味着NAS算法并没有消除模型设计调优，它们只是转移了需要应用调优的地方的负担。在本文中，我们提出了蜘蛛网，一个混合微分进化和硬件感知算法，快速，有效地产生国家的最先进的网络。更重要的是，SpiderNet是一个最小配置NAS算法的概念验证;在其他算法中看到的大多数设计选择都被纳入SpiderNet的动态演化搜索空间，将用户选择的数量最小化到只有两个：减少单元数和初始通道数。SpiderNet生成的模型与最先进的模型具有很强的竞争力，并且在准确性、运行时间、内存大小和参数计数方面优于随机搜索。
2022-04-20 cs.CV cs.LG cs.NE
Hybrid multi-objective evolutionary algorithms for service placement in the computing continuum: a comparative study with genetic traceability
University of the Balearic Islands（巴利阿里群岛大学）
研究计算连续体中多目标服务放置问题，采用协作混合岛模型MOEA，通过两个实验活动进行异构混合的系统应用与分析，结合多种指标评估，结果表明混合方法优于多数独立基线，各岛贡献不均，有效验证了混合合作。
2026-07-16 cs.DC cs.NE
SOM-Guided Evolutionary Search for Solving MinMax Multiple-TSP
多重TSP，在文献中也缩写为mTSP，是旅行商问题的扩展，它是具有重要实际意义的车辆路径问题的许多变体的核心。目前的文件开发和实验与自组织地图，进化算法和蚁群系统，以解决最小最大制定的单仓库多TSP。神经网络方法和两个元算法之间的杂交显示出显著的改进，优于文献中报道的一组问题实例从TSPLIB。
2019-07-27 cs.NE
Evolutionary Action Selection for Gradient-based Policy Learning
Fudan University（复旦大学）
进化算法和深度强化学习（Deep Reinforcement Learning，DRL）是近年来发展起来的一种混合算法，它们可以充分利用这两种方法的优势，更好地进行探索和开发。在这些混合算法中，进化部分保持了策略网络的种群。然而，现有的方法主要关注优化策略网络的参数，这对于进化算法来说通常是高维和棘手的。我们将进化的目标从高维参数空间转移到低维行为空间，提出了一种新的混合进化行为选择-双延迟深度确定性策略梯度（EAS-TD 3）方法。我们专注于优化策略网络所选择的动作，并试图通过进化算法获得高质量的动作来促进策略学习。我们对具有挑战性的连续控制任务进行了实验，结果表明EAS-TD 3比其他最先进的方法表现出更好的性能。
2022-09-16 cs.LG cs.NE
Evolutionary computation for multicomponent problems: opportunities and future directions
在过去的30年里，演化计算领域的许多研究人员已经投入了大量的精力来介绍各种解决困难问题的方法。这些问题中的大多数都受到了主要行业的启发，因此通过提供最优或接近最优的解决方案来解决这些问题具有重要意义。事实上，这是一个非常有希望的轨迹，因为这些解决问题方法的进步可能会增加主要行业的价值。在本文中，我们重新审视了这一轨迹，以了解三十年前开始的尝试是否仍然与同一目标保持一致，因为现实世界问题的复杂性显着增加。我们提出了一些现代现实世界的问题的例子，讨论为什么他们可能难以解决，以及是否有这些例子和问题之间的任何不匹配的研究在演化计算领域。
2016-06-22 cs.NE
Particle Swarm Optimization: A survey of historical and recent developments with hybridization perspectives
粒子群优化（PSO）是一种超启发式全局优化范式，在过去的二十年中由于其易于应用于无法使用传统确定性算法解决的无监督，复杂的多维问题而变得突出。规范粒子群优化算法基于鸟类和鱼群的群集行为和社会合作，并大量借鉴了这些生物的进化行为。本文旨在提供一个彻底的调查PSO算法，特别强调其最基本的发展，部署和改进，以及一些国家的最先进的实现。概念和方向上选择的惯性权重，收缩因子，认知和社会的权重和观点的收敛，并行化，精英主义，小生境和离散优化以及邻域拓扑结构进行了概述。杂交尝试与其他进化和群体范例在选定的应用程序涵盖和最新的审查提出了感兴趣的读者。
2019-01-04 cs.NE
A New Distributed Evolutionary Computation Technique for Multi-Objective Optimization
多目标优化问题的求解是当前研究的一个重要课题。进化策略有助于有效和快速地解决这些现实世界的问题。但序列进化算法需要大量的计算能力来解决此类问题，并且需要花费大量的时间来解决大型问题。为了提高求解这类问题的性能，本文提出了一种新的分布式多目标进化策略算法。建议DNESA适用于分治的方法来分解人口成更小的子群体，并涉及多个解决方案的合作子群体的形式。在DNESA中，服务器将总的计算负载分配给所有关联的客户端，仿真结果表明，解决大型问题的时间比顺序进化算法少得多。同时，DNESA算法在收敛性测试中的性能也优于其他三种著名的进化算法。
2013-04-09 cs.NE
Evolutionary Automata and Deep Evolutionary Computation
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文聚焦进化自动机这一类比模型，指出其相比进化算法能提供更完整的进化计算对偶模型，可直接建模“进化的进化”，具有极强表达能力，还暗示了自然进化通过环境交互反馈实现自我进化的强大力量。
2025-08-25 cs.CL cs.NE
A Many-Objective Evolutionary Algorithm Based on Decomposition and Local Dominance
多目标进化算法，特别是基于分解的多目标进化算法，近年来受到了广泛的关注。最近的研究表明，分解方法和支配方法的良好设计的组合可以提高性能，即，一个经济部的趋同性和多样性。本文提出了一种将分解方法和控制方法相结合的新方法。更精确地说，一组权重向量被用来分解一个给定的多目标优化问题（MaOP），并提出了一种混合的方法，基于惩罚的边界相交函数和优势的比较局部解定义的权重向量的子种群。一个基于混合方法的MOEA被实现，并在两个著名的测试套件中选择的问题上进行测试，DTLZ和WFG。实验结果表明，我们的算法是非常有竞争力的处理MaOP。随后，我们的算法扩展到解决约束MaOP，我们的算法的约束版本也表现出良好的性能，在收敛性和多样性。这表明，利用局部优势并将其与分解方法相结合，可以有效地提高MOEA的性能。
2019-09-04 cs.NE
Using the quaternion's representation of individuals in swarm intelligence and evolutionary computation
本文介绍了一种新的思想，用于表示个人使用四元数在群体智能和进化算法。四元数是一个数字系统，它扩展了复数。它们被成功地应用于理论物理问题和那些需要快速旋转计算的领域。我们提出了四元数在优化中的应用，更准确地说，我们一直使用四元数表示的蝙蝠算法中的个人。对由10个标准函数组成的测试集进行优化的初步实验结果表明，该算法明显改善了原Bat算法的结果。此外，所得到的结果与其他群体智能和进化算法，如人工蜂群，差分进化。我们相信，这种表示也可以成功地应用到其他群体智能和进化算法。
2013-06-10 cs.NE
Bridging Evolutionary Algorithms and Reinforcement Learning: A Comprehensive Survey on Hybrid Algorithms
College of Intelligence and Computing, Tianjin University（天津大学智能与计算学院）；Montreal Institute of Learning Algorithms (MILA)（蒙特利尔学习算法研究所）；Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系）
本文全面综述了进化强化学习（ERL）领域，将进化算法（EA）与强化学习（RL）融合，系统总结了三种主要研究方向：EA辅助RL优化、RL辅助EA优化以及EA与RL协同优化，并分析了各分支解决的问题及未来挑战。
2026-05-24 cs.AI cs.LG cs.NE
EvoSampling: A Granular Ball-based Evolutionary Hybrid Sampling with Knowledge Transfer for Imbalanced Learning
School of Computer Science and Technology, Dalian University of Technology（大连理工大学计算机科学与技术学院）；Key Laboratory of Social Computing and Cognitive Intelligence (Dalian University of Technology), Ministry of Education（社会计算与认知智能重点实验室（大连理工大学））；School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学工程与计算机科学学院）；Department of Computer Science, Hong Kong Baptist University（香港浸会大学计算机科学系）
针对类别不平衡问题，提出EvoSampling混合采样方法，结合遗传规划多任务过采样与粒度球欠采样，在20个数据集上提升分类性能，知识迁移加速进化。
2024-12-12 cs.AI cs.LG cs.NE
Reducing the Computational Cost in Multi-objective Evolutionary Algorithms by Filtering Worthless Individuals
大量精确的适应度函数计算使得进化算法具有计算代价。在一些现实问题中，即使增加计算复杂性并花费更多时间，减少这些评估的数量也更有价值。为了实现这一目标，我们引入了一个有效的因素，尽管在自适应模糊适应度粒化与非支配排序遗传算法-II中的应用因素，以更精确地过滤出无用的个体。我们所提出的方法进行了比较，相对于自适应模糊适应粒度与非支配排序遗传算法-II，使用超容量和逆世代距离的性能指标。该方法适用于1传统和1国家的最先进的基准考虑3个不同的维度。从平均性能的角度来看，结果表明，虽然减少适应度评估的数量会导致性能降低，但与我们获得的相比，它并不是有形的。
2014-01-02 cs.NE
Evolutionary Computation and AI Safety: Research Problems Impeding Routine and Safe Real-world Application of Evolution
Uber AI（优步AI）
人工智能和机器学习的最新发展激发了人们对日益增长的人工智能安全领域的兴趣，该领域研究如何在部署人工智能系统时防止人类伤害事故。因此，本文探讨了人工智能安全与演化计算的交叉点，以显示安全问题是如何出现在演化计算和如何从进化计算和生物进化的理解可以通知更广泛的研究人工智能安全。
2019-10-04 cs.AI cs.NE
