Water Distribution System Design Using Multi-Objective Genetic Algorithm with External Archive and Local Search
将多目标优化算法NSGA-II与局部搜索相结合，用于给水管网优化设计。所提出的算法得到的结果是从文献中的四个中型水网络。本地搜索被认为是有益的网络之一，在寻找新的解决方案，没有报告。它还表明，简单地使用一个外部档案保存所有非支配的解决方案访问的人口，即使没有本地搜索，导致大幅改善的非支配集的算法。
2019-05-20 cs.NE
An Automatic Design Framework of Swarm Pattern Formation based on Multi-objective Genetic Programming
现有的群体模式形成方法大多依赖于预定义的基因调控网络（GRN）结构，需要设计者的先验知识，难以适应复杂多变的环境。为动态适应复杂多变的环境，提出了一种基于多目标遗传编程的群体模式形成自动设计框架。该框架不需要预先定义基于GRN的模型的结构，它应用一些基本的网络模体来自动构建基于GRN的模型。此外，多目标遗传编程（MOGP）与NSGA-II相结合，即MOGP-NSGA-II，以平衡基于GRN的模型的复杂性和准确性。在进化过程中，MOGP-NSGA-II和差分进化（DE）并行优化基于GRN的模型的结构和参数。仿真结果表明，该框架能够有效地演化出一些新的基于广义回归网络的模型，这些模型不仅结构简单、性能优良，而且对复杂多变的环境具有较强的鲁棒性。
2019-11-01 cs.NE
Highlights of Semantics in Multi-objective Genetic Programming
语义是遗传编程（GP）中的一个不断增长的研究领域，并且是指遗传编程个体在执行时的行为输出。本研究通过提出一种新的方法扩展了当前对语义的理解：基于语义的距离作为附加标准（SDO），在迄今为止，在多目标GP（MOGP）中语义的研究领域有些有限。我们的工作包括GP的性能和多样性指标方面的扩展分析，使用两个额外的基于语义的方法，即基于语义相似性的交叉（SCC）和基于语义的拥挤距离（SCD）。每种方法被集成到两个进化多目标（EMO）框架：非支配排序遗传算法II（NSGA-II）和强度帕累托进化算法2（SPEA 2），并随着这三种语义方法，规范形式的NSGA-II和SPEA 2进行了严格的比较。使用高度不平衡的二进制分类数据集，我们证明了新提出的SDO方法始终生成更多的非支配解，具有更好的多样性和改进的超体积结果。
2022-06-13 cs.NE
Promoting Semantics in Multi-objective Genetic Programming based on Decomposition
遗传程序（GP）中的语义研究涉及给定一组输入的程序的行为，并已被广泛报道，有助于促进GP中的多样性，最终改善进化搜索的一系列复杂问题。这些研究中的绝大多数都将注意力集中在单目标GP上，只有少数例外，其中基于Pareto的优势算法（如NSGA-II和SPEA 2）被用作测试高度流行的基于语义的方法（如基于语义相似性的交叉（SSC））是否有助于或阻碍进化搜索的框架。令人惊讶的是，据报道，SSC在SOGP中表现出的好处在基于帕累托的优势多目标GP中看不到。在这项工作中，我们有兴趣研究，如果同样进行基于分解的多目标进化算法（MOEA/D）。通过使用MNIST数据集，一个众所周知的数据集在机器学习社区中使用，我们展示了如何SSC在MOEA/D促进语义多样性产生更好的结果相比，当这是不存在于规范的MOEA/D。
2020-12-08 cs.NE
A Non-Dominated Sorting Based Customized Random-Key Genetic Algorithm for the Bi-Objective Traveling Thief Problem
在本文中，我们提出了一种方法来解决一个双目标变量的研究旅行小偷问题（TTP）。TTP是一个多分量问题，它结合了两个经典的组合问题：旅行商问题（TSP）和背包问题（KP）。我们解决的BI-TTP，TTP的双目标版本，其目标是最大限度地减少总的旅行时间，并最大限度地提高所收集的物品的利润。我们提出的方法是基于一个偏置随机密钥遗传算法与定制解决问题的具体特点。我们将领域知识，通过在初始人口中的每个子问题的接近最优的解决方案的组合，并使用自定义的修复算子，以避免不可行的解决方案的评估。该问题的双目标方面是通过一个精英人口的基础上提取的非支配排名和拥挤距离。此外，我们提供了一个全面的研究，显示每个参数对性能的影响。最后，我们讨论了在EMO-2019和GECCO-2019会议上的BI-TTP竞赛结果，我们的方法分别获得了第一名和第二名，从而证明了它能够始终如一地找到高质量的解决方案。
2020-07-28 cs.NE
Search Hardness-Aware LLM-Based Problem Formulation for Expensive Simulation-Driven Design
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）；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）
针对昂贵仿真驱动设计中公式对搜索效率的影响问题，提出SHA-PF框架，基于搜索硬度定义公式搜索目标并评分，通过大语言模型相关方法搜索公式空间，实验表明该框架发现的公式能显著减少评估次数以达设计要求。
2026-07-24 cs.NE
Between theory and practice: guidelines for an optimization scheme with genetic algorithms - Part I: single-objective continuous global optimization
在许多纯科学和应用科学中，优化方法领域的快速发展给跟踪发展以及选择最适合手头问题的适当技术带来了困难。从从业者的角度来看是正当的徘徊“哪种优化方法是最好的我的问题？".把优化过程看作是一个相互联系的部分的“系统”，本文收集了一些关于如何使用一类称为遗传算法的演化计算工具来解决优化问题的想法。尽管目前已有许多优化技术，但遗传算法仍以其通用性、鲁棒性、理论框架和使用简单等特点在优化中发挥着核心作用。该文件可以被认为是一个“收集的提示”（从文献和个人经验）的非计算机科学家，必须处理优化问题，无论是在科学和工程实践。没有原始的方法或算法被提出。
2011-12-29 cs.NE
Evolvability Degeneration in Multi-Objective Genetic Programming for Symbolic Regression
遗传编程（GP）是目前发现符号回归模型的最佳方法之一。为了找到平衡精度和复杂性的模型，非支配排序遗传算法II（NSGA-II）被广泛使用。不幸的是，NSGA-II可能效率低下：在早期几代中，低复杂度模型过度复制并接管了大部分人口。因此，研究提出了促进多样性的不同方法。在这里，我们研究这个问题的根源，以设计一个更好的方法。我们发现，低复杂度模型的过度复制是由于缺乏可进化性，即，无法产生具有改进的准确性的后代。因此，我们扩展NSGA-II跟踪，随着时间的推移，不同层次的复杂性模型的演化。有了这些信息，我们就限制了每个复杂度级别的模型在生成过程中可以存活的数量。我们比较了这个新版本的NSGA-II，evoNSGA-II，使用现有的七个多目标GP的方法对10个广泛使用的数据集，并发现evoNSGA-II是等于或优于使用这些方法在几乎所有的比较。此外，我们的研究结果证实了evoNSGA-II的行为符合预期：大多数群体的模型更容易进化。
2022-02-16 cs.NE
Semantic-based Distance Approaches in Multi-objective Genetic Programming
语义在遗传程序（GP）的上下文中可以被理解为给定一组输入的程序的行为，并已被很好地记录在一系列不同的问题，以提高GP的性能。已经有各种各样的不同的方法，将语义纳入单目标GP。然而，在多目标（MO）GP的语义研究，一直是有限的，本文旨在解决这个问题。更具体地说，我们进行了比较三种不同形式的语义MOGP。一种基于语义的方法，（i）基于语义相似性的交叉（SSC），是从单目标GP借用的，其中该方法一直被报道有利于进化搜索。我们还研究了其他两种方法，被称为（二）基于语义的距离作为一个额外的标准（SDO）和（iii）枢轴相似性SDO。我们凭经验和一贯的表现如何自然处理语义距离作为一个额外的标准，以优化MOGP导致更好的性能相比，规范的方法和SSC。这两种基于语义距离的方法都利用了一个支点，这是一个参考点，从稀疏区域的搜索空间，它被发现，个人都是语义相似和不相似的这个支点是有益的，在促进多样性。此外，我们还展示了如何语义成功地促进单目标优化不一定会导致更好的性能时，采用MOGP。
2020-12-16 cs.NE
Genetic algorithm formulation and tuning with use of test functions
本文讨论了单目标约束遗传算法的浮点数、整数、二进制和置换表示。利用测试函数对浮点遗传算法进行了参数整定，得到了性能较好的参数化算法。
2022-10-06 cs.NE
Balancing Pareto Front exploration of Non-dominated Tournament Genetic Algorithm (B-NTGA) in solving multi-objective NP-hard problems with constraints
本文提出平衡非支配锦标赛遗传算法（B-NTGA），通过引入平衡选择算子和存档机制，专注于探索 Pareto 前沿近似中的空白区域，有效解决带约束的多目标和超多目标 NP-hard 组合优化问题，实验证明其性能优于现有最先进方法。
2024-10-14 cs.NE
Accelerating Neural Architecture Exploration Across Modalities Using Genetic Algorithms
神经架构搜索（NAS）是自动发现用于计算机视觉和自然语言处理等领域的任务的最佳深度神经网络架构的研究，在机器学习研究社区中迅速增长。虽然NAS最近取得了许多进展，但仍然非常关注通过提高搜索效率来降低验证发现的架构时产生的计算成本。进化算法，特别是遗传算法，在NAS中有着使用的历史，并且作为探索架构目标空间的高效方式，与其他优化方法相比，进化算法继续获得普及。大多数NAS研究工作都集中在计算机视觉任务上，直到最近才对其他模式进行了深入研究，例如快速增长的自然语言处理领域。在这项工作中，我们展示了如何将遗传算法与经过轻度训练的客观预测器在迭代周期中配对，以加速多目标建筑探索的方式，在机器翻译和图像分类的模式中工作。
2022-02-25 cs.NE
Design of OFDM radar pulses using genetic algorithm based techniques
进化算法在求解凸优化问题中的优点已得到广泛认可。本文提出了一种基于遗传算法（GA）优化的波形设计框架，以改善依赖于正交频分复用（OFDM）结构的雷达脉冲特性。我们的优化技术的重点是找到最佳的相位码序列的OFDM信号。由于我们考虑了两种不同的雷达处理解决方案，因此使用了几个最优性标准，这些解决方案要求单目标或多目标优化。当所谓的峰均包络功率比（PMEPR）单目标的最小化处理，我们比较我们的研究结果与现有的方法，并强调我们的方法的优点。在双目标优化的范围内，我们首先解决PMEPR和峰值旁瓣电平比（PSLR），并表明我们的方法的基础上的非支配排序遗传算法-II（NSGA-II）提供了设计解决方案，而不是随机设置的相位码有显着的改善。然后，我们研究另一个感兴趣的案例，其中目标函数是旁瓣电平的两个度量，即PSLR和集成旁瓣电平比（ISLR），并建议修改NSGA-II以包含对PMEPR的约束。在最后一部分中，我们通过一个案例研究说明了我们的编码解决方案如何能够最小化单目标PMEPR，同时启用目标检测增强策略，当SNR度量将被选择用于检测框架时。
2015-06-19 cs.NE
Semantics in Multi-objective Genetic Programming
语义学已成为遗传编程（GP）的一个重要研究课题。语义是指GP个体在数据集上运行时的输出（行为）。大部分的作品，专注于语义多样性的单目标GP表明，它是非常有益的进化搜索。令人惊讶的是，在多目标GP（MOGP）中进行的语义研究很少。在这项工作中，我们超越了我们对MOGP中语义的理解，并提出SDO：基于语义的距离作为额外的标准。这自然鼓励了MOGP中的语义多样性。为此，我们在第一个帕累托前沿（最有希望的前沿）的密度较低的区域中找到一个枢轴。然后，这被用来计算枢轴和人口中的每个个体之间的距离。然后，将得到的距离用作待优化以有利于语义多样性的附加标准。我们还使用其他两种基于语义的方法作为基线，称为基于语义相似性的交叉和基于语义的拥挤距离。此外，我们还使用NSGA-II和SPEA 2进行比较。我们使用高度不平衡的二进制分类问题，并始终显示我们提出的SDO方法如何产生更多的非支配解决方案和更好的多样性，从而获得更好的统计显著性结果，使用超体积结果作为评估指标，与其他四种方法相比。
2021-11-30 cs.NE
Multi-modal multi-objective model-based genetic programming to find multiple diverse high-quality models
可解释的人工智能（XAI）是一个重要且迅速发展的研究课题。XAI的目标是通过清晰地了解模型如何实现其预测来获得对机器学习（ML）模型的信任。遗传编程（GP）经常被认为是唯一适合于XAI的方法，因为它能够学习（小的）符号模型，这些模型有可能被解释。然而，与许多ML算法一样，GP通常会产生一个最佳模型。然而，在实践中，在训练误差方面的最佳模型可能不是由领域专家出于各种原因判断的最合适的模型，包括过拟合，存在具有相似精度的多个不同模型，以及由于典型的精度测量（如均方误差）而导致的特定数据点上的不必要的误差。因此，为了增加领域专家认为结果模型可信的机会，能够显式地搜索多个，多样化的，高质量的模型，权衡不同的准确性含义变得非常重要。在本文中，我们实现了这一点，一种新的多模态多树多目标GP方法，扩展了现代的基于模型的GP算法称为GP-GOMEA，已经有效地搜索小表达式。
2022-03-24 cs.NE
Quadrupole Magnet Design based on Genetic Multi-Objective Optimization
本文利用NSGA-III遗传算法对四极磁铁几何结构进行多目标优化，在保证孔径内高磁场质量的同时兼顾成本效益，并通过有限元模型与Pareto前沿分析识别最佳设计。
2023-11-03 cs.NE physics.acc-ph
Benchmarking Surrogate-Assisted Genetic Recommender Systems
我们提出了一种新的方法来建立推荐系统，采用代理辅助交互式遗传算法。一个池的用户评价项目被用来构建一个近似模型，作为替代适应度函数的遗传算法优化新的建议。代理用于向用户推荐新项目，然后根据用户的喜好对新项目进行评估，并随后将其从搜索空间中删除。通过更新的代理模型后，新的建议已被用户评估，我们使模型本身向用户的喜好发展。为了准确地评估该方法的性能，人类的主观评价被替换为常见的连续客观的进化算法的基准函数。该系统的性能相比，传统的遗传算法和随机搜索。我们表明，考虑到一个非常有限的数量允许的评估的真实目标，我们的方法优于这些基线方法。
2019-08-08 cs.NE
Hierarchical Genetic Algorithms with evolving objective functions
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；Chennai Mathematical Institute（金奈数学研究所）
我们提出了一个遗传算法的框架，它使用多层次结构来解决一个优化问题，通过搜索空间的简单目标函数。我们解决了旅行推销员问题的一个变种称为\texttt{soft-TSP}，并表明，当对整体目标函数的约束条件发生变化时，该算法适应于生产出解决方案的变化的目标。我们使用这个想法来加速学习，通过系统地改变约束来找到一个更全局最优的解决方案。我们还使用这个框架来解决多项式回归，其中实际目标函数是未知的，但在可用目标函数的空间上搜索会产生一个很好的近似解。
2019-08-05 cs.AI cs.LG cs.NE
Application of the Modified 2-opt and Jumping Gene Operators in Multi-Objective Genetic Algorithm to solve MOTSP
Jaypee Institute of Information and Technology（贾皮尔信息技术学院）
进化多目标优化算法是近年来的研究热点，已经有不少关于这类算法的论文发表。然而，本地搜索技术的作用并没有得到充分的扩展。本文研究了多目标旅行商问题（MOTSP）的局部搜索技术，称为2-选择的作用。还使用了一种称为跳跃基因（JG）的新变异算子。由于2-opt算子是针对单目标TSP的，本文将其应用范围扩展到MOTSP。这项新技术适用于KroAB 100城市名单。
2011-09-06 cs.AI cs.NE
Optimization of OFDM radar waveforms using genetic algorithms
在本文中，我们提出了我们的调查使用单目标和多目标遗传算法为基础的优化算法，以改善设计的OFDM脉冲雷达。我们讨论这些优化程序的范围内的波形设计，旨在为两种不同的雷达处理解决方案。最后，我们展示了编码解决方案如何适合于允许OFDM雷达相关挑战的波形优化，如增强检测。
2014-04-25 cs.NE
Multi-Objective Pruning for CNNs Using Genetic Algorithm
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
在这项工作中，我们提出了一种启发式遗传算法（GA）修剪卷积神经网络（CNN）根据误差，计算和稀疏性之间的多目标权衡。在我们的实验中，我们应用我们的方法在MNIST数据集上修剪预训练的LeNet，这减少了95.42%的参数大小，并通过分别强调稀疏性和计算，实现了卷积层计算的16个$\times$加速，精度损失很小。我们的实证研究表明，遗传算法是一种替代修剪方法，获得有竞争力的压缩性能。此外，与最先进的方法相比，GA能够通过预定义的适应度函数基于多目标重要性自动修剪CNN。
2019-07-04 cs.LG cs.NE
Genetic Bi-objective Optimization Approach to Habitability Score
PES University（PES大学）
寻找太阳系外的生命是全世界天文学家的努力。随着天文学的进步，数百颗系外行星被发现，有必要对这些系外行星的可居住性进行分类。这通常是使用各种指标，如地球相似性指数或行星可居住性指数。在本文中，遗传算法被用来评估最好的可能的可居住性分数使用Cobb-Douglas可居住性分数。遗传算法是求解优化问题的经典进化算法。这是基于达尔文的进化论，“适者生存”。通过与各种基准函数的比较，确定了该算法的工作原理，并将其功能扩展到多目标优化。Cobb-Douglas可居住性函数被制定为双目标和单目标优化问题，以找到最佳值，从而最大化一组有希望的系外行星的Cobb-Douglas可居住性得分。
2020-10-12 cs.LG cs.NE
Convex Hull-Based Multi-objective Genetic Programming for Maximizing ROC Performance
在数据采掘中，ROC通常用于分析分类器的性能。ROC凸包（ROCCH）是经验ROC曲线的最小凸优集（LCM），它覆盖了给定分类器集的潜在最优解。通常，ROC性能最大化可以被认为是最大化ROCCH，这也意味着最大化ROC空间中每个分类器的真阳性率（tpr）并最小化假阳性率（fpr）。然而，在ROCCH优化过程中，tpr和fpr彼此冲突。ROCCH最大化问题虽然看起来像是一个多目标优化问题，但其专用字符的特殊性使其不同于传统的多目标优化问题。在这项工作中，我们将讨论它们之间的差异，并提出基于凸包的多目标遗传编程（CH-MOGP）来解决ROCCH最大化问题。基于凸包的排序是一种基于指标的选择方案，其目的是最大化凸包下的面积，该面积用作一组点的性能的一元指标。一个选择过程中描述，可以有效地实现，并遵循类似的设计原则比经典的超体积为基础的优化算法。据推测，通过使用定制的基于指标的选择方案CH-MOGP得到更有效的ROC凸包近似比算法，计算所有的Pareto最优点。为了验证我们的假设，我们比较了新的CH-MOGP与MOGP与经典的选择方案，包括NSGA-II，MOEA/D）和SMS-EMOA。同时，将CH-MOGP与C4.5、Naive Bayes、Prie等传统机器学习算法进行了比较。基于22个著名UCI数据集的实验结果表明，CH-MOGP的性能明显优于传统的EMOA。
2013-03-15 cs.NE
Hybrid Genetic Algorithm for Optimal User Order Routing: Multi-Objective Solver Optimization in CoW Protocol Batch Auctions
针对 CoW 协议批量拍卖中的路由优化，提出混合遗传算法，结合 NSGA-II 与确定性基线，在截止时间内实现多目标权衡，显著提升中小订单用户盈余。
2025-10-24 cs.NE
cMLSGA: A Co-Evolutionary Multi-Level Selection Genetic Algorithm for Multi-Objective Optimization
在实际优化中，问题的主要特征往往事先不知道。因此，有必要开发通用求解器，因为它并不总是能够为每个应用程序量身定制专门的方法。混合形式的多级选择遗传算法（MLSGA）由于其多样性优先的方法，已经显示出良好的性能，在一系列的问题，这是罕见的进化算法。为了提高其性能的一般性，本文提出了一套独特的协同进化机制，它定义的协同进化之间的竞争集体，而不是个人。这种独特的共同进化方法提供了子种群之间不太经常的交流，以及个人和集体之间不同的适应度定义。这鼓励集体更独立地采取行动，创造一个独特的次区域搜索，导致共同进化MLSGA（cMLSGA）的发展。为了测试这种方法，选择九个遗传算法来生成cMLSGA的几个变体，其在个体水平上结合了这些方法。新机制在100多个不同的功能上进行了测试，并与9个最先进的竞争对手进行了基准测试，以找到最佳的通用求解器。结果表明，协同进化方法的多样性比它们各自的性能更重要。这允许选择两个竞争算法，提高cMLSGA的通用性，而不会对任何特定问题类型的性能损失很大。与现有技术相比，所提出的方法是最通用和鲁棒的，从而使算法更有可能解决有关搜索空间的知识有限的复杂问题。
2021-04-22 cs.NE
Guiding Multi-Objective Genetic Programming with Description Length Improves Symbolic Regression Solutions
Astrophysics, University of Oxford（牛津大学天体物理学系）；Institute of Cosmology & Gravitation, University of Portsmouth（朴茨茅斯大学宇宙学与引力研究所）
本文研究了如何利用描述长度（DL）和分数贝叶斯因子（FBF）作为数据高效的方法，替代启发式方法来选择泛化性好的紧凑表达式，从而改进符号回归的解决方案。
2026-05-21 cs.NE stat.ML
Transforming Datasets to Requested Complexity with Projection-based Many-Objective Genetic Algorithm
Wrocław University of Science and Technology（沃拉夫大学科学与技术学院）
本文提出一种基于投影的多目标遗传算法，用于生成具有特定复杂度的数据集，以提升机器学习方法的评估效果。
2026-01-29 cs.LG cs.NE
Multi-objective design of quantum circuits using genetic programming
量子计算是基于量子力学概念的一种新的数据处理方式。量子电路设计是将一个量子门转换为一系列基本门的过程，根据其分解和合成分为两大类。第二类是利用演化算法，特别是遗传算法，通过矩阵门的乘法运算来实现量子电路的最终特性。遗传编程是进化计算的一个分支，其中计算机程序进化以解决所研究的问题。在量子电路设计领域的过去研究中，只研究了一种成本度量（通常是量子成本）。本文首次提出了一种利用遗传编程设计量子电路的多目标方法，该方法在考虑量子代价度量的同时，还考虑了量子电路的深度和最近邻度量的代价。本文的另一个创新之处是采用了两步适应度函数，并考虑了量子门中全局相位的等价性。结果表明，该方法能够在较短的时间内找到一个好的答案。
2017-03-14 cs.ET cs.NE
Difficulty Adjustable and Scalable Constrained Multi-objective Test Problem Toolkit
Shantou University（汕头大学）；Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Xi’an Jiaotong University（西安交通大学）；City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）
多目标进化算法（MOEAs）在近几十年来取得了显著的进展，但大多数都是针对无约束多目标优化问题而设计的。实际上，许多现实世界的多目标问题都包含一些约束条件。为了促进约束多目标优化问题的研究，本文首先提出了一个问题分类方案，该方案包含三种主要的困难类型，反映了现实世界中优化问题所面临的各种挑战，从而刻画了约束多目标优化问题（CMOPs）中的约束函数.这三种困难是可行性困难、趋同性困难和多样性困难。然后，我们开发了一个通用的工具包来构建难度可调和可扩展的CMOPs（DAS-CMOPs，或DAS-CMaOP的目标的数量大于三个）与三种类型的参数化约束函数开发，以捕捉三种类型的困难。基于这个工具包，我们提出了九个困难的可调整和可扩展的CMOPs和九个CMaOP。实验结果表明，MOEA/D-CDP中的机制在解决收敛困难的DAS-CMOPs问题上可能更有效，而NSGA-II-CDP中的机制在解决同时具有多样性、可行性和收敛困难的DAS-CMOPs问题上可能更有效。C-NSGA-III中的机制可能更有效地解决可行性困难的CMaOP，而C-MOEA/DD机制可能更有效地解决收敛困难的CMaOP。此外，没有一个能有效地解决这些问题，这促使我们继续开发新的CMOEA和CMaOEAs来解决建议的DAS-CMOPs和DAS-CMaOP。
2019-05-28 cs.AI cs.NE
Continuous Cartesian Genetic Programming based representation for Multi-Objective Neural Architecture Search
INAOE（国家天体物理光学与电子研究所）
提出基于连续 CGP 的块链式 CNN 表示，并结合多种 MOEA 实现多目标 NAS，在 CIFAR-10/100 上取得兼具准确率与低复杂度的竞争力结果。
2023-06-05 cs.CV cs.NE
Constrained Multi-Objective Genetic Algorithm Variants for Design and Optimization of Tri-Band Microstrip Patch Antenna loaded CSRR for IoT Applications: A Comparative Case Study
Mohammed V University（穆罕默德五世大学）
本文提出基于多目标遗传算法的三频带微带贴片天线优化方法，通过整合多个性能指标实现多频段谐振与低回波损耗的平衡。
2026-01-24 cs.NE cs.NI
Improving Critical Node Detection Using Neural Network-based Initialization in a Genetic Algorithm
针对关键节点问题CNP-1a现有算法随机初始化求解成本高的问题，提出融合预训练神经网络先验知识与割点贪心局部搜索的知识引导遗传算法K2GA，在26个真实网络实例上性能优于现有最优算法并刷新8个实例的最优上界。
2024-02-01 cs.NE
Affine Image Registration Transformation Estimation Using a Real Coded Genetic Algorithm with SBX
本文介绍了一种实数编码的遗传算法（GA）的应用，通过图像配准对齐两个或两个以上的二维图像。所提出的搜索策略是一种涉及仿射变换的基于变换参数的方法。实数编码GA使用模拟二进制交叉（SBX），一个父中心的重组算子，已被证明在连续域中的许多优化问题中提供了良好的性能。此外，我们提出了一种新的技术，通过使用一个随机排序时，在匹配过程中访问的点之间的一个扭曲和静态图像的匹配点。这种新技术使得目标函数的评估有点嘈杂，但遗传算法和其他基于种群的搜索算法已被证明可以很好地应对嘈杂的适应度评估。所获得的结果是有竞争力的那些通过国家的最先进的经典方法在图像配准，确认所提出的噪声目标函数的有用性和SBX作为重组算子的适合性，这种类型的问题。
2012-04-10 cs.NE
Running Time Analysis of the Non-dominated Sorting Genetic Algorithm II (NSGA-II) using Binary or Stochastic Tournament Selection
进化算法已被广泛应用于解决多目标优化问题，并已成为最流行的工具。然而，多目标进化分析的理论基础，特别是其基本理论方面，运行时间分析，在很大程度上仍然不发达。现有的几个理论工作主要考虑简单的MOEA，而非支配排序遗传算法II（NSGA-II），可能是最有影响力的MOEA，还没有分析，除了最近的工作考虑一个简化的变体没有交叉。在本文中，我们提出了一个运行时间分析的标准NSGA-II解决LOTZ，OneMinMax和COCZ，三个常用的双目标优化问题。具体来说，我们证明了预期的运行时间（即，适合度评估的数量）是LOTZ的$O(n^3)$，以及OneMinMax和COCZ的$O(n^2\log n)$，这令人惊讶地与先前分析的简单MOEA、GSEMO和SEMO的相同。接下来，我们介绍一种新的父选择策略，随机锦标赛选择（即，$k$锦标赛选择，其中$k$是均匀随机抽样），以取代NSGA-II的二进制锦标赛选择策略，减少所需的预期运行时间为$O(n^2)$的所有三个问题。实验结果表明，LOTZ的运行时间上界是紧的，OneMinMax和COCZ的运行时间上界几乎是紧的.
2022-03-22 cs.NE
Bi-Objective Community Detection (BOCD) in Networks using Genetic Algorithm
Jaypee Institute of Information Technology（贾皮尔信息技术学院）
从物理学、数学和计算机科学等各个学科角度对社区发现进行了大量的研究。在本文中，我提出了一个双目标遗传算法的社区发现，最大化模块化和社区得分。然后，基准和现实生活中的数据集所获得的结果进行了比较与其他算法使用的模块性和MNI性能指标。实验结果表明，BOCD算法能够成功地检测真实生活和合成数据集的社区结构，并提高了以前的技术的性能。
2011-09-16 cs.AI cs.NE cs.SI
Multi-Objective Optimisation of Cortical Spiking Neural Networks With Genetic Algorithms
脉冲神经网络（SNN）通过神经元的全或无脉冲活动进行通信。然而，将大量的SNN模型参数拟合到观察到的神经活动模式，例如在生物实验中，仍然是一个挑战。以前的工作，使用遗传算法（GA）优化一个特定的高效SNN模型，使用Izhikevich神经元模型，仅限于一个单一的参数和目标。这项工作应用了一种称为非支配排序GA（NSGA-III）的GA版本，以证明对同一SNN执行多目标优化的可行性，重点是搜索网络连接参数，以实现兴奋性和抑制性神经元类型的目标放电率，包括不同的网络连接稀疏性。我们表明，NSGA-III可以很容易地优化各种射击率。值得注意的是，当兴奋性神经元的放电率高于或等于抑制性神经元的放电率时，误差较小。此外，当连接稀疏性被认为是一个参数进行优化，最佳的解决方案需要稀疏的网络连接。我们还发现，兴奋性神经元的放电率低于抑制性神经元，误差一般较大。总的来说，我们已经成功地证明了对经常性和稀疏SNN的网络参数实施多目标GA优化的可行性。
2021-05-14 cs.NE q-bio.NC
Downscaling near-surface atmospheric fields with multi-objective Genetic Programming
土壤-植被-大气系统的不同组成部分的模型耦合需要调查组件的相互作用和反馈过程。然而，由于主导过程的影响，大气、陆面和次表层的分量模式通常在不同的时空分辨率下运行。例如，计算上通常更昂贵的大气模式通常以比陆地表面和地下模式更粗糙的分辨率使用。因此，需要在大气模式和地表/次表层模式之间的界面上进行放大和缩小程序。我们将多目标遗传编程（GP）应用于高分辨率大气模式运行的训练数据集，以学习重建精细尺度场的方程或短程序（例如，400米分辨率）从粗略大气模式输出（例如，2.8 km分辨率）。像人工神经网络一样，GP可以灵活地结合多变量和非线性关系，但其优点是解决方案是人类可读的，因此可以检查物理一致性。使用强度帕累托方法进行多目标适应度分配，使我们能够在学习过程中考虑细尺度字段的多个特性。
2014-07-07 cs.NE physics.ao-ph
An Improved multi-objective genetic algorithm based on orthogonal design and adaptive clustering pruning strategy
Beijing University of Technology（北京工业大学）；Henan Normal University（河南师范大学）
多目标进化算法的两个重要特征是分布性和收敛性。作为一种经典的多目标遗传算法，NSGA-Ⅱ被广泛应用于多目标优化领域。然而，在NSGA-Ⅱ中，随机的种群初始化和基于距离的种群保持策略不能很好地保持种群的分布或收敛性。针对这两个缺陷，本文提出了一种改进算法OTNSGA-II II，该算法在分布性和收敛性方面具有更好的性能。该算法采用正交试验法，以一种新的不连续非支配排序和拥挤距离的方式选择个体，产生初始种群。提出了一种基于聚类的剪枝策略，根据聚类结果的类内聚集程度，自适应地对特征相似、非支配排序和拥挤距离表现较差或远离Pareto前沿的个体进行剪枝。新的剪枝策略使种群更容易收敛到Pareto前沿，并保持种群的分布。在不同类型的测试函数上对OTNSGA-II和NSGA-II进行了比较，验证了OTNSGA-II在分布性和收敛性方面的改进。
2019-01-03 cs.AI cs.NE
A Hybrid Multi-Objective Carpool Route Optimization Technique using Genetic Algorithm and A* Algorithm
Assam University（阿萨姆大学）
在发达国家和发展中国家，拼车作为控制车辆造成的声音和空气污染的一种有效解决办法，已变得相当重要。由于拼车减少了通勤者使用的车辆数量，它带来了多种好处，如缓解交通和道路拥堵，减少对停车设施的需求，减少能源或燃料消耗，最重要的是减少碳排放，从而提高城市的生活质量。本文提出了一种混合GA-A* 算法来求解具有多个冲突目标的多目标优化域中的拼车问题的最优路径。虽然遗传算法提供最优解，但A* 算法由于其在基于遗传学的任意两点之间提供最短路径的效率，增强了使用遗传算法获得的最优路径。使用GA-A* 算法获得的细化路线进一步进行优势测试，以获得基于Pareto最优的非优势解。所获得的路线最大化的利润，服务提供商通过最小化的行程和绕行距离以及上/下车成本，同时最大限度地提高汽车的利用率。该算法已在加尔各答盐湖地区实施。对于相同数量的乘客，与使用现有算法获得的相应数据相比，使用该算法获得的最优路线的路线距离和绕行距离始终较小。各种统计分析，如箱形图也证实了该算法定期执行优于现有的算法，仅使用遗传算法。
2020-07-11 cs.AI cs.NE
Genetic Algorithm for Designing a Convenient Facility Layout for a Circular Flow Path
在本文中，我们提出了一个启发式设计设施布局，方便设计一个单向循环的材料处理。我们使用遗传算法的目标函数和交叉和变异算子都是专门为此目的而设计的。我们的设计是在柔性湾区结构下进行的，并与文献中在柔性湾区结构下设计的其他布局进行了比较。
2013-03-22 cs.NE
A Sport Tournament Scheduling by Genetic Algorithm with Swapping Method
运动竞赛问题被称为旅行竞赛问题（TTP）。一个有趣的类型是镜像旅行锦标赛问题（mTTP）。该问题的目标是最小化旅行的总次数或旅行的总距离或两者兼而有之。本研究旨在寻找一个最佳化的解决方案，以最小的总旅行次数的镜像旅游竞赛问题。采用遗传算法（GA）和交换法求解由行程表和调度表组成的解。由所得解得到的所有团队的旅行次数都接近于旅行次数的下限理论。此外，该算法产生更好的解决方案比已知的结果在大多数情况下。
2017-04-17 cs.NE
Edge-set reduction to efficiently solve the graph partitioning problem with the genetic algorithm
针对大型稠密图划分问题中基于边的遗传算法编码规模过大、效率低的问题，提出通过约简边集调整染色体规模的方案，探究不同约简程度下算法的性能表现。
2023-07-19 cs.NE math.OC
Multi-Objective Genetic Programming for Manifold Learning: Balancing Quality and Dimensionality
Victoria University of Wellington（惠灵顿维多利亚大学）
随着数据规模的不断增长，流形学习技术变得越来越有价值。通过发现数据集结构的低维表示（嵌入），流形学习算法可以在保留尽可能多的信息的同时大大降低数据集的维数。然而，最先进的流形学习算法在如何执行这种转换方面是不透明的。理解嵌入与原始高维空间的关系在探索性数据分析中至关重要。我们以前提出了一个遗传编程方法，执行流形学习进化映射是透明的和可解释的。这种方法要求嵌入的维数是先验已知的，这使得它很难在对数据集知之甚少的情况下使用。在本文中，我们大大扩展了我们以前的工作，通过引入一个多目标的方法，自动平衡流形质量和维数的竞争目标。我们提出的方法与一系列基线和最先进的流形学习方法相比具有竞争力，同时还提供了一系列（前端）解决方案，在质量和维度之间进行不同的权衡。此外，学习的模型往往是简单而有效的，只利用少量的功能，在一个可解释的方式。
2020-01-05 cs.LG cs.NE
A Genetic algorithm to solve the container storage space allocation problem
提出了一种基于遗传算法的港口集装箱存储优化方法。这个问题是研究不同的集装箱类型，如定期，开放的一面，顶部开放，坦克，空和冷藏集装箱。该问题的目标是确定一个最优的集装箱安排，该安排尊重客户的交货期限，减少集装箱的重新处理操作，并最大限度地减少集装箱船的停船时间。在本文中，适应的遗传算法的集装箱存储问题的详细介绍和一些实验结果，并进行了讨论。将该方法与后进先出（LIFO）算法应用于同一问题进行了比较，并取得了良好的效果
2013-03-05 cs.NE
Three-Objective Integral R2 Subset Selection: NP-Hardness and Submodular Approximation
针对三目标优化中积分R2指标的子集选择问题，证明其NP困难性，同时发现R2改进函数具有单调子模性，从而给出(1-1/e)近似保证的贪心算法。
2026-06-26 cs.CG cs.NE math.OC
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
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
CMI: An Online Multi-objective Genetic Autoscaler for Scientific and Engineering Workflows in Cloud Infrastructures with Unreliable Virtual Machines
云计算正在成为执行科学和工程工作流的领先范例。他们模拟的实验的大规模性质及其可变的工作负载使云成为理想的执行环境，因为它可以快速和弹性地访问大量的计算资源。自动缩放器是中间件级别的软件组件，其允许通过在调度工作流的任务时获取或终止虚拟机（VM）来缩放计算平台。在这项工作中，我们提出了一种新的在线多目标自动缩放命名为云多目标智能（CMI）的工作流，其目的是在最小化的完工时间，货币成本和潜在的影响，来自不可靠的虚拟机的错误。此外，这个问题还受到货币预算的限制。CMI负责定期解决工作流执行过程中遇到的自动缩放问题。四个著名的工作流程的模拟实验表明，CMI显着优于一个国家的最先进的autoscaler的类似特征，称为现场监测感知自动缩放（SIAA）。这些结果传达了一个坚实的基础，在其他Meta探试法的自动缩放工作流应用程序使用廉价的，但不可靠的基础设施的深入研究。
2018-11-02 cs.DC cs.NE
The Effect of Epigenetic Blocking on Dynamic Multi-Objective Optimisation Problems
University of Southampton（南安普顿大学）；National Oceanography Centre（国家海洋学中心）；The Alan Turing Institute（艾伦·图灵研究所）
已有数百种演化计算方法被报道。从进化的角度来看，他们集中在两个基本机制：文化继承群体智能和遗传进化算法。当代进化生物学超越了遗传，提出了所谓的“扩展进化合成”。扩展进化合成的许多概念已经被排除在演化计算之外，因为人们的兴趣已经转向相同的通用机制的特定实现。其中一个概念是表观遗传，它越来越被认为是进化思想的核心。表观遗传机制允许对环境变化的快速非遗传或部分遗传适应。动态多目标优化问题代表了与自然世界相似的情况，其中适应度可以由多个目标（特征）确定，并且环境不断变化。本文探讨了表观遗传在自然界中提供的优势是否可以在动态多目标优化问题中复制。具体而言，表观遗传阻塞机制应用于国家的最先进的多目标遗传算法，MOEA/D-DE，其性能进行了比较三套动态测试功能，FDA，JY，和UDF。该机制在16个测试问题中的12个上显示出改进的性能，提供了初步证据，表明更多的算法应该探索自然世界中丰富的表观遗传机制。
2022-11-25 cs.AI cs.NE
Genetic Algorithms for multimodal optimization: a review
在这篇文章中，我们提供了一个全面的审查不同的进化算法技术，用于解决多峰优化问题，根据其方法的性质进行分类。一方面，有一些算法通过将群体中的个体区分成组并限制它们的相互作用来解决早期收敛到局部最优值的问题，从而使每个组以高度独立的方式进化。另一方面，其他方法是基于直接解决缺乏遗传多样性的人口，通过引入元素的进化动力学，促进新的生态位的基因型空间进行探索。最后，我们研究了多目标优化遗传算法，处理的情况下，多个标准必须得到满足，没有任何惩罚。多年来，关于这些主题的文献非常丰富，我们的目标是提供该领域每个分支最重要技术的概述。
2015-06-10 cs.NE
Efficient Disruption of Criminal Networks through Multi-Objective Genetic Algorithms
Faculty of Information Technology, Monash University（莫纳什大学信息技术学院）；AiLECS Lab, Faculty of Information Technology, Monash University（莫纳什大学信息技术学院AiLECS实验室）
本文提出基于多目标优化的WS-GA和NSGA-II算法，平衡网络碎片化与运营成本，提升执法机构打击犯罪网络的效率与策略性。
2026-03-27 cs.AI cs.NE
Optimizing method for Neural Network based on Genetic Random Weight Change Learning Algorithm
随机权值变化算法是神经网络硬件实现的一种非常简单、鲁棒的算法。RWC和遗传算法（GA）是用于优化和学习神经网络（NN）的公知方法。单独地，这两种算法中的每一种都有其优点和缺点以及单独的目标。近年来，研究者们将这两种算法结合起来，以更好地学习和优化神经网络。在本文中，我们提出了一种方法相结合的RWC和遗传算法，即遗传随机权值变化（GRWC），以及展示了一种开创性的方法，以降低复杂性的神经网络通过删除弱权值的GRWC。相对于RWC和GA，GRWC包含了一个有效的优化过程，这是值得探索的一个大的和复杂的空间，在智能策略的GA/RWC协同作用的影响。在MNIST数据集上测试了该算法的学习行为，并证明了其性能。
2019-06-05 cs.NE
Solving Complex Multi-UAV Mission Planning Problems using Multi-objective Genetic Algorithms
本文提出一种多目标遗传算法，结合约束满足与帕累托度量，用于求解多无人机及地面控制站的复杂任务规划问题，实验表明算法有效但复杂问题下最优解难寻。
2024-02-09 cs.NE eess.SP
Multi-Objective Genetic Algorithm for Multi-View Feature Selection
University of Eastern Finland（东芬兰大学）；Aalto University（阿尔托大学）
提出MMFS-GA多目标遗传算法，在统一框架内同时进行视图内与视图间特征选择，提升多视图分类性能与可解释性。
2024-03-04 cs.AI cs.LG cs.NE
