Chance-Constrained Bi-Objective Evolutionary Optimization for the Open-Pit Mining Operational Planning Problem
Adelaide University（阿德莱德大学）
本文提出露天矿开采作业规划的机会约束双目标进化优化方法，在矿石品位不确定下最大化产量并最小化车队成本，实验表明NSGA-II和NSGA-III性能最佳，并强调不确定性大小与结构的重要性。
2026-10-06 cs.NE
Improving Confidence in Evolutionary Mine Scheduling via Uncertainty Discounting
Maptek Pty. Ltd（Maptek私人有限公司）；The University of Adelaide（阿德莱德大学）
本文提出在进化矿山排产中引入不确定性折现机制，以概率界限刻画各周期利润，牺牲单一模型最优性来降低下行风险，并在 Maptek Evolution 上验证了其有效性。
2023-05-29 cs.AI cs.NE
Evolutionary Reinforcement Learning for Interpretable Decision-Making in Supply Chain Management
本研究针对工业4.0下供应链管理因AI黑箱特性难以采用先进优化技术的问题，首次将可解释人工智能与仿真优化结合，生成决策树形式的可解释策略，在虚构和真实问题上性能优于或媲美传统算法，打破了可解释性与效率的权衡认知。
2025-04-16 cs.NE
Studying Collective Human Decision Making and Creativity with Evolutionary Computation
我们报告我们的跨学科研究项目的总结“集体决策的进化观点”，这是通过在宾厄姆顿大学的计算，组织和社会科学家之间的密切合作进行的。我们将人类集体决策和创造力重新定义为思想生态的进化，其中思想群体通过不断应用进化算子（如思想的繁殖、重组、突变、选择和迁移）而进化，每个算子都由参与的人类进行。基于这种进化的角度来看，我们产生的假设集体人类决策使用基于代理的计算机模拟。然后通过几个真实的人类实验来验证这些假设。在整个项目中，我们利用演化计算（EC）在非传统的方式-（1）作为一个理论框架，重新解释的动态的想法产生和选择，（2）作为一个计算模拟模型的集体人类决策过程，（3）作为一个研究工具，收集高分辨率的实验数据，实际的协作设计和决策，从人类受试者。我们相信，我们的工作展示了EC涉及人类和社会动态的跨学科研究的未开发潜力。
2014-06-24 cs.MA cs.NE nlin.AO
First Mathematical Runtime Analyses of Multi-Objective Evolutionary Algorithms for Multi-Valued Decision Variables
School of Computer Science and Technology, National Key Laboratory of Smart Farm Technologies and Systems, International Research Institute for Artificial Intelligence（计算机科学与技术学院，智慧农业技术与系统国家重点实验室，人工智能国际研究院）；Pengcheng Laboratory, Shenzhen, China（鹏城实验室）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Institut Polytechnique de Paris, Palaiseau, France（巴黎理工学院）；Laboratoire d’Informatique (LIX), CNRS, École Polytechnique（计算机实验室（LIX），法国国家科学研究中心，巴黎综合理工学院）
本文研究了经典SEMO算法在处理多值决策变量时的运行时间，证明了覆盖Pareto前沿所需的函数评估次数的上界和下界，揭示了多值决策变量对经典多目标进化算法的影响。
2026-05-14 cs.NE
Self-Supervised Evolutionary Learning of Neurodynamic Progression and Identity Manifolds from EEG During Safety-Critical Decision Making
University of Michigan（密歇根大学）
本文提出自监督进化学习框架，通过EEG直接发现个体神经动态进程和身份流形，提升安全关键决策中的身份认证与异常检测能力。
2026-03-07 cs.NE
Model Uncertainty in Evolutionary Optimization and Bayesian Optimization: A Comparative Analysis
Shanghai Frontiers Science Center of Molecule Intelligent Syntheses（上海分子智能合成前沿科学中心）；Shanghai Institute of AI for Education（上海人工智能教育研究院）
本文对比分析了贝叶斯优化与代理辅助演化算法在模型不确定性利用上的异同，并提出一种利用未评估解生成后代的模型辅助策略，在准确性和效率上优于主流贝叶斯优化算法。
2024-03-22 cs.LG cs.NE
Learning from Evolution: Improving Collective Decision-Making Mechanisms using Insights from Evolutionary Robotics
University of Technology Nuremberg（纽伦堡工业大学）
本文通过分析演化计算生成的集体决策神经网络，提取洞见并手工设计两种新机制，在基准实验中证明其效率优于投票者模型和多数规则。
2024-05-03 cs.MA cs.NE cs.RO
Evolutionary algorithms for constructing an ensemble of decision trees
Yandex；National Research University Higher School of Economics（俄罗斯国立高等经济研究大学）
大多数决策树归纳算法是基于一个贪婪的自顶向下递归划分策略的树生长。本文提出了几种基于进化算法的决策树及其集成的归纳方法。我们的方法的主要区别是使用实值向量表示的决策树，允许使用大量不同的优化算法，以及优化整个树或集成，以避免局部最优。选择差分进化和演化策略作为优化算法，因为它们在强化学习问题中具有良好的效果。我们使用几个公开的UCI数据集测试了这些方法的预测性能，所提出的方法表现出比经典方法更好的质量。
2020-02-03 cs.LG cs.NE stat.ML
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 Multi-Objective Optimization Algorithm Framework with Three Solution Sets
在进化多目标优化（EMO）社区中，假设最终解由决策者从EMO算法获得的非支配解集中选择。向决策者提出的解决方案的数量可能完全不同。在某些情况下，决策者可能只想检查几个代表性的解决方案，从中选择最终解决方案。在其他情况下，可能需要大量的非支配解来可视化帕累托前沿。在本文中，我们建议使用一个通用的EMO框架与三个解决方案集来处理各种情况下所需的解决方案的数量。这三个解集是EMO算法的主要种群，用于存储有希望的解的外部存档，以及提交给决策者的最终解集。最终的解决方案集是从存档中选择的。因此，人口规模和档案大小可以任意指定，只要档案大小不小于所需的解决方案的数量。最终的种群不一定是一个好的解集，因为它没有呈现给决策者。通过计算实验，我们展示了这个框架的优势，标准的最终人口和最终存档框架。我们还讨论了如何选择一个最终的解决方案集，以及如何解释选择的原因，这是第一次尝试对一个可解释的EMO框架。
2020-12-14 cs.NE
Solution Subset Selection for Final Decision Making in Evolutionary Multi-Objective Optimization
Southern University of Science and Technology（南方科技大学）
一般来说，多目标优化问题并不只有一个最优解，而是有一组Pareto最优解，它们在目标空间中形成Pareto前沿。已经提出了各种进化算法来近似帕累托前沿使用预先指定的解决方案的数量。通过一次运行可获得数百种解决方案。从获得的解决方案中选择一个最终的解决方案被认为是由人类决策者完成的。然而，在许多情况下，决策者不想检查数百个解决方案。因此，需要选择所获得的解决方案的一个小子集。在本文中，我们讨论的子集选择的观点，最终决策。首先，我们简要介绍现有的子集选择研究。接下来，我们制定一个预期的损失函数的子集选择。我们还表明，制定的功能是相同的IGD加指标。然后，我们报告的实验结果，所提出的方法与其他基于指标的子集选择方法进行了比较。
2020-06-15 cs.AI cs.NE
Evolutionary Optimization of Deep Learning Agents for Sparrow Mahjong
提出Evo-Sparrow智能体，利用CMA-ES优化LSTM网络进行麻雀麻将决策，其性能优于规则智能体并媲美PPO基线，为复杂随机博弈提供了有效的深度学习与进化优化混合方案。
2025-08-11 cs.NE
Diversity and Social Network Structure in Collective Decision Making: Evolutionary Perspectives with Agent-Based Simulations
集体决策，尤其是基于群体的决策，在组织中至关重要。采用进化理论的方法进行集体决策，基于代理的模拟研究如何影响人类集体决策的代理人的多样性，在问题的理解和/或行为的讨论，以及他们的社会网络结构。模拟结果表明，具有一致问题理解的群体倾向于产生更高的效用值的想法，并显示出更好的决策收敛，但前提是集体问题理解没有群体水平的偏见。模拟结果还表明了面向选择（即，剥削的）和面向变化的（即，探索性的）行为，以实现质量的最终决定。扩大群体规模和引入非平凡的社会网络结构通常提高了决策收敛的成本的想法的质量。不同的社会网络拓扑结构的模拟显示，集体决策的小世界网络与高本地集群往往比随机或无标度网络更容易实现最高的决策质量。这种进化理论和模拟方法的集体，群体和多层次的决策未来的管理研究的影响进行了讨论。
2019-02-19 cs.MA cs.NE cs.SI
Interactive Evolutionary Multi-Objective Optimization via Learning-to-Rank
在实际的多准则决策中，如果要求决策者（DM）在覆盖整个帕累托最优前沿的一组折衷方案中进行选择，这是很麻烦的。这是传统进化多目标优化（EMO）中的一个悖论，它总是旨在实现收敛性和多样性之间的良好平衡。本质上，多目标优化的最终目标是帮助决策者（DM）识别感兴趣的解决方案（SOI），在多个冲突的标准中实现令人满意的权衡。考虑到这一点，本文开发了一个框架，用于设计基于偏好的EMO算法，以找到SOI的互动方式。其核心思想是将人纳入EMO的循环中。在每几次迭代之后，DM被邀请就几个现任候选人征求她的反馈。通过收集这样的信息，她的偏好被学习排序神经网络逐步学习，然后应用于指导基线EMO算法。注意，这个框架是如此通用，以至于任何现有的EMO算法都可以以插件的方式应用。在多达10个目标的$48$基准测试问题上的实验充分证明了我们提出的算法寻找SOI的有效性。
2022-04-06 cs.NE
Effective Reinforcement Learning through Evolutionary Surrogate-Assisted Prescription
Cognizant Technology Solutions（高知特科技解决方案公司）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
现在有大量的历史数据可用于组织中的决策，包括决策问题，做出了什么决策，以及结果的可取性。使用这些数据，可以学习一个代理模型，并使用该模型，发展一个优化结果的决策策略。本文介绍了一种通用的这样的方法，称为进化代理辅助处方，或ESP。代理是，例如，一个随机森林或神经网络训练的梯度下降，和战略是一个神经网络的演变，以最大限度地提高预测的代理模型。ESP在本文中进一步扩展到顺序决策任务，这使得它有可能在强化学习（RL）基准评估框架。由于大多数评估都是在代理上进行的，ESP比标准RL方法具有更高的样本效率，更低的方差和更低的遗憾。令人惊讶的是，它的解决方案也更好，因为代理和策略网络都规范了决策行为。ESP因此形成了一个有前途的基础，在现实世界中的问题的决策优化。
2020-04-22 cs.LG cs.NE
Uncertainty Quantification in Detecting Choroidal Metastases on MRI via Evolutionary Strategies
Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）
针对放射学小数据场景，本研究采用深度神经进化训练CNN进行眼部MRI脉络膜转移瘤二分类，通过保存的高准确率模型构建集成方法实现不确定性量化，发现高不确定性影像与放射科医生识别的主观特征相关，验证了其在AI放射分析中的价值。
2024-04-12 cs.CV cs.LG cs.NE
Bayesian Decision Trees Inspired from Evolutionary Algorithms
University of Liverpool（利物浦大学）
本文提出用序贯蒙特卡洛替代MCMC，并结合进化算法启发的采样策略构建贝叶斯决策树，在迭代次数减少100倍的条件下取得更准确的结果。
2023-05-30 cs.LG cs.NE
Quantum-Evolutionary Neural Networks for Multi-Agent Federated Learning
Illinois Mathematics and Science Academy（伊利诺伊数学与科学学院）
本文提出量子进化神经网络（QE-NN），结合量子计算与进化优化，在联邦学习框架下实现多智能体实时决策，兼顾隐私保护与自适应能力。
2025-05-16 cs.AI cs.LG cs.NE
Ensuring smoothly navigable approximation sets by Bezier curve parameterizations in evolutionary bi-objective optimization -- applied to brachytherapy treatment planning for prostate cancer
双目标优化的目的是获得一个（近）Pareto最优解的近似集。然后，决策者通常使用近似前沿的可视化来导航该集合以选择最终期望的解决方案。前面提供了一个导航排序的解决方案遍历，但这种排序不一定映射到一个平滑的轨迹通过决策空间。这迫使决策者单独检查每个解决方案的决策变量，可能使近似集的导航不直观。在这项工作中，我们的目标是提高近似集的可导航性，强制执行的光滑性或连续性的解决方案之间的决策变量的形式。施加平滑性作为对常见的基于支配的多目标进化算法的限制并不简单。因此，我们使用最近推出的非拥挤超体积（UHV）重新制定的多目标最优化问题作为一个单目标问题，其中参数化的近似集直接优化。我们在这里研究的情况下，参数化的近似集光滑Bezier曲线的决策空间。我们的方法产生的单目标问题的基因池最优混合进化算法（GOMEA），我们称之为BezEA产生的算法。我们分析了BezEA的行为，并将其与GOMEA以及基于支配的多目标GOMEA的特高压优化进行了比较。我们表明，高质量的近似集可以获得BezEA，有时甚至优于统治和UHV为基础的算法，而平滑的导航轨迹通过决策空间得到保证。
2020-06-11 cs.NE math.OC
Morephy-Net: An Evolutionary Multi-objective Optimization for Replica-Exchange-based Physics-informed Neural Operator Learning Networks
Morephy-Net通过进化多目标优化、复制交换随机梯度兰道克动态和贝叶斯不确定性量化，提升噪声环境下参数PDE的正向预测和反向识别性能。
2026-02-19 cs.LG 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
Quality Diversity Evolutionary Learning of Decision Trees
University of Trento（特伦托大学）
解决可解释的机器学习的需求已经成为现代人工智能（AI）最重要的研究方向之一。虽然该领域中当前的主导范例是基于黑盒模型，通常以（深）神经网络的形式，但这些模型缺乏对人类用户的直接可解释性，即，它们的结果（更重要的是，它们的内部运作）是不透明的，难以理解。这阻碍了人工智能在安全关键型应用中的采用，因为这些应用涉及到很高的利益。在这些应用中，可解释的设计模型，如决策树，可能是更合适的，因为它们提供了可解释性。最近的工作提出了决策树和强化学习的混合，以结合这两种方法的优点。然而，到目前为止，这些工作都集中在这些混合模型的优化。在这里，我们应用MAP-Elites在特征空间上多样化混合模型，该特征空间捕获模型复杂性及其行为可变性。我们将我们的方法应用于OpenAI Gym库中的两个众所周知的控制问题，在这个问题上，我们讨论了MAP-Elites投影的“照明”模式，并将其结果与现有的类似方法进行了比较。
2022-08-17 cs.AI cs.LG cs.NE
Runtime Analysis of Evolutionary Algorithms for Multi-party Multi-objective Optimization
School of Artificial Intelligence, Nanjing University of Information Science and Technology（人工智能学院，南京信息工程大学）；Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies, Institute of Cyberspace Security, School of Computer Science and Technology, Harbin Institute of Technology（新型安全智能技术广东省重点实验室，网络空间安全学院，计算机科学与技术学院，哈尔滨工业大学）
本文首次对进化算法在双方多目标优化问题上的期望运行时进行理论分析，指出传统多目标算法的不足，并提出在多方间维持共同解集的EMPMO算法，显著提升了求解伪布尔和最短路径问题的效率与精度。
2025-11-03 cs.AI cs.NE
Evolutionary Multiparty Distance Minimization
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；University of Science and Technology of China（中国科学技术大学）；Southern University of Science and Technology（南方科技大学）
在进化多目标优化领域中，决策者（DM）关注的是相互冲突的目标。在实际应用中，通常存在多个DM，并且每个DM涉及这些目标的一部分。提出了多方多目标优化问题（MPMOPs）来描述多个决策者参与的多目标优化问题，其中每个决策者都关注所有决策者中的某些目标。然而，在演化计算领域，对MPMOPs的研究并不多。本文构造了一系列基于距离最小化问题（DMPs）的MPMOPs，其Pareto最优解可以形象地可视化。针对MPMOPs问题，提出了一种新的算法OptMPNDS3，该算法采用多方初始化的方法对种群进行初始化，并采用JADE 2算子生成后代。在问题集上将OptMPNDS 3与OptAll、OptMPNDS和OptMPNDS 2进行了比较。结果表明，OptMPNDS 3算法与其它算法具有很强的可比性
2022-07-27 cs.AI cs.NE
Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies
PwC US（普华永道美国）
在过去的几年里，机器学习驱动的交易策略引起了人们的极大兴趣。然而，对于制定这种交易战略的理想方法，共识有限。此外，大多数文献都集中在短期交易的交易策略上，很少或根本没有关注试图建立长期财富的策略。我们的论文提出了一种新的方法，通过采取一系列短期购买决策，使用进化算法和深度学习模型的集成来制定长期投资策略。我们的方法侧重于通过在一段时间内改善交易所交易基金（ETF）的系统性投资规划（SIP）决策来积累长期财富。我们提供的经验证据显示，与给定ETF的传统每日系统投资实践相比，使用我们的集成方法可以获得更好的表现（高出约1%的回报）。我们的结果基于我们的算法做出的实时交易决策，并在Robinhood交易平台上执行。
2022-03-24 cs.AI cs.CY cs.NE
QxEAI: Quantum-like evolutionary algorithm for automated probabilistic forecasting
针对预测对商业决策的重要性，提出基于类量子进化算法的QxEAI概率预测方法，训练类量子逻辑决策树与经典价值树，在三个真实数据集上实现了少人工的准确预测。
2024-06-21 cs.AI cs.LG cs.NE
Rule-based Evolutionary Bayesian Learning
The Alan Turing Institute（艾伦·图灵研究所）；Imperial College London（帝国理工学院）；Newcastle University（纽卡斯尔大学）
在我们以前的工作中，我们介绍了基于规则的贝叶斯回归，这是一种利用两个概念的方法：（i）贝叶斯推断，用于一般框架和不确定性量化;（ii）基于规则的系统，用于将专家知识和直觉结合起来。由此产生的方法创建了一个惩罚相当于一个共同的贝叶斯先验，但它也包括信息，通常不会在一个标准的贝叶斯上下文中。在这项工作中，我们扩展了上述方法与语法进化，符号遗传编程技术，我们利用自动化的规则的推导。我们的动机是，语法进化可以潜在地检测模式的数据与有价值的信息，相当于专家知识。我们说明了使用基于规则的进化贝叶斯学习技术，将其应用到合成以及真实的数据，并检查点预测和相关的不确定性方面的结果。
2022-02-28 cs.LG cs.NE stat.ML
Evolutionary multi-stage financial scenario tree generation
不确定性下的多阶段财务决策优化依赖于对潜在随机过程的仔细数值近似，该过程描述了所选资产或资产类别的未来收益。各种方法对离散时间，离散状态近似（表示为场景树）的最佳生成已在文献中提出。在本文中，一个新的进化算法来创建情景树的多阶段金融优化模型将被提出。数值结果和实施细节结束的文件。
2010-01-18 cs.NE q-fin.CP q-fin.PM
QUBE: Enhancing Automatic Heuristic Design via Quality-Uncertainty Balanced Evolution
Zhejiang University（浙江大学）；Westlake University（西湖大学）；University of Electronic Science and Technology of China（电子科技大学）
针对大语言模型结合进化算法的启发式设计方法难以平衡利用与探索的问题，提出质量-不确定性平衡进化方法QUBE，通过含不确定性质量度量的权衡准则引导进化，在NP完全问题上性能优于FunSearch等基线方法。
2025-02-21 cs.AI cs.CL cs.NE
