EIGEN: Ecologically-Inspired GENetic Approach for Neural Network Structure Searching from Scratch
设计神经网络的结构被认为是深度学习中最具挑战性的任务之一，特别是当关于任务域的先验知识很少时。在本文中，我们提出了一种启发式GENetic（EIGEN）方法，使用继承，灭绝，模仿和基因复制的概念从头开始搜索神经网络结构，初始化不佳的简单网络和进化过程中强制的约束很少，因为我们假设没有关于任务域的先验知识。具体来说，我们首先使用初级继承来快速地将初始化较差的神经网络结构的种群进化成更多样化的种群，然后是基于初级继承的网络进行细粒度搜索的次级继承阶段。在这两个阶段中均采用了消光法以降低计算成本。在整个进化过程中，模仿被用来帮助下级网络模仿上级网络的行为，基因复制被用来复制新结构的学习块，这两者都有助于找到更好的网络结构。实验结果表明，我们提出的方法可以实现类似或更好的性能相比，现有的遗传方法，大大降低了计算成本。例如，通过我们的方法在CIFAR-100数据集上发现的网络在120 GPU小时内实现了78.1%的测试准确率，而在超过65，536 GPU小时的测试准确率为77.0%。
2019-04-12 cs.NE
Quantum-Inspired Genetic Optimization for Patient Scheduling in Radiation Oncology
Sojo University（熊本大学）；University of Maryland School of Medicine（马里兰大学医学院）
本文提出量子启发遗传算法用于质子治疗患者排程，通过量子染色体叠加患者ID与机架状态，并结合选择与修复策略，在种群规模上优于经典遗传算法，同时指出大规模实例运行时间受限于经典仿真。
2025-06-04 cs.NE physics.med-ph
Comparison Study for Clonal Selection Algorithm and Genetic Algorithm
人工免疫系统（AIS）和遗传算法是受理论免疫学和遗传学机制启发而产生的计算系统。在这项工作中，我们研究了两种算法的比较性能。采用人工免疫系统的一种特殊选择算法克隆选择算法（CLONALG）和遗传算法进行了测试。结果表明，根据函数类型的不同，克隆选择算法和遗传算法具有更好的性能。
2012-09-12 cs.NE
The Self-Organization of Interaction Networks for Nature-Inspired Optimization
School of Information Technology and Electrical Engineering, University of New South Wales (ADFA Campus)（新南威尔士大学信息技术与工程学院（澳国防军学院校区））
在过去的十年中，在理解复杂的生物系统方面取得了重大进展，但是很少有人尝试将这些知识纳入自然启发的优化算法中。在本文中，我们提出了第一次尝试，将一些复杂的生物系统的基本结构特性，被认为是必要的先决条件，系统的质量，如鲁棒性。特别是，我们专注于两个重要的条件缺少进化算法的人口;自组织定义的局部性和相互作用上位性。我们证明，这两个功能相结合时，提供的算法行为没有观察到在典型的进化算法或进化算法与结构化人口，如细胞遗传算法。算法行为中最显著的变化是在单一种群中遗传上不同的个体可持续共存的前所未有的能力。这种持续遗传多样性的能力不是强加给种群的，而是作为系统动态的自然结果出现的。
2009-07-02 cs.AI cs.NE
Towards Self-Evolving Agents: A Human-Inspired Adaptive Exploration-Exploitation Framework for Genetic Network Programming
Fasa University（法萨大学）；Deakin University（迪肯大学）；Chulalongkorn University（朱拉隆功大学）；Torrens University Australia（澳大利亚托伦斯大学）；Obuda University（奥布达大学）
该研究受人类发育模式启发，提出人类启发的遗传网络编程（HGNP）框架，通过新型自适应交叉、变异算子及循环消除机制，动态调节遗传网络编程中探索与利用的平衡，提升了智能体策略性能，且可应用于多种GNP变体。
2026-07-15 cs.AI cs.NE
An Artificial Life Simulation Library Based on Genetic Algorithm, 3-Character Genetic Code and Biological Hierarchy
本文设计并实现基于GA、3字符遗传密码和生物层级的Python人工生命模拟库DOSE，并通过三维生态世界实验考察突变率对遗传序列的影响。
2023-02-19 cs.NE q-bio.PE
Some Experiences with Hybrid Genetic Algorithms in Solving the Uncapacitated Examination Timetabling Problem
本文研究用两种局部搜索混合遗传算法求解无容量约束考试时间表问题，分别采用划分和优先级表示，实验表明局部搜索与混合策略相互促进，且两种算法性能与现有先进遗传型算法相当。
2023-06-01 cs.NE
Genetic Imitation Learning by Reward Extrapolation
University of Technology Sydney（悉尼科技大学）
模仿学习在各个领域都表现出显著的表现。然而，模仿学习也受到许多先决条件的限制。研究界已经做了大量的研究来减轻这些限制，例如添加随机策略来避免看不见的状态，消除对动作标签的需要，以及从次优演示中学习。受自然繁殖过程的启发，我们提出了一种将遗传算法与模仿学习相结合的方法GenIL。遗传算法的参与通过再现具有各种返回的轨迹来提高数据效率，并帮助模型估计更准确和紧凑的奖励函数参数。我们在Atari和Mujoco域中测试了GenIL，结果表明，当输入数据有限时，它在外推准确性、鲁棒性和整体策略性能方面成功优于之前的外推方法。
2023-01-03 cs.LG cs.NE
Chaotic Genetic Algorithm and The Effects of Entropy in Performance Optimization
本文提出了一种新的混沌遗传算法（CGA）和熵在初始种群中的重要性。受混沌理论的启发，CGA利用混沌映射来修正遗传算法的随机参数。该算法首先利用混沌序列对初始种群的参数进行修正，然后对初始种群的熵进行分析。该策略展示了复杂搜索空间中熵与性能优化之间的关系。我们的研究包括九个基准函数的优化，每个基准函数使用八个不同的混沌映射。数值实验表明，熵与算法的性能有着直接的关系。
2019-01-16 cs.NE nlin.CD
On the Application of Hierarchical Coevolutionary Genetic Algorithms: Recombination and Evaluation Partners
本文研究了使用分层协同进化遗传算法在不同的合作策略。子种群的级联集群是从自底向上的构建的，更高级别的子种群优化问题的更大部分。因此，较高级别的子群体可能以较低的分辨率搜索较大的搜索空间，而较低级别的子群体以较高的分辨率搜索较小的搜索空间。不同的合作伙伴选择方案之间的子群体的解决方案的质量的影响进行检查两个约束优化问题。我们研究了一些重组的合作策略，在建设更高层次的个人和一些相关的计划，以评估子解决方案。结果表明，合作策略，利用特定问题的知识是优越的，可以对抗不适当的（子）健身测量。
2008-03-20 cs.AI cs.NE
Genetic Algorithms and Quantum Computation
近年来，研究人员将遗传算法应用于量子计算中的一些问题。另外，在基于量子理论概念和技术的遗传算法设计方面也有一些工作。所谓的量子进化规划有两个主要的子领域：量子启发遗传算法（QIGA）和量子遗传算法（QGA）。前者采用量子比特染色体作为表示，利用量子门搜索最优解。后者试图解决这一领域的一个关键问题：遗传算法在量子硬件上的实现是什么样子的？正如我们将看到的，这个问题没有一个完整的答案。量子遗传算法的一个重要方面是构建一个量子算法，该算法既利用了遗传算法和量子计算的并行性，又利用了量子计算机提供的真正随机性。在本文的第一部分中，我们提出了一个调查的主要工作在遗传算法加量子计算，也包括我们在这方面的工作。我们回顾了量子计算和遗传算法中的一些基本概念，强调了它们固有的并行性。接下来，我们将回顾遗传算法在量子算符学习和电路设计中的应用。然后，考虑量子进化规划。最后，我们提出了我们目前在这一领域的研究和一些展望。
2004-03-04 cs.NE
An architecture for massive parallelization of the compact genetic algorithm
提出了一种适合于紧凑型遗传算法大规模并行化的体系结构。由此产生的方案有三大优势。首先，它具有低同步成本。第二，它是容错的;第三，它是可扩展的。本文认为，所提出的方法可以获得的好处是潜在的高于传统的并行遗传算法。此外，在该文件中提出的想法也可能是相关的并行化更复杂的概率模型建设遗传算法。
2004-02-20 cs.NE
A synthetic biology approach for the design of genetic algorithms with bacterial agents
细菌一直是进化算法设计的灵感来源。20世纪初，合成生物学诞生了，这门学科的目标是设计自然界中不存在的生物系统，例如可编程的合成细菌。在本文中，我们介绍了作为一种新颖的进化算法的设计，其中所有的步骤进行合成细菌。为此，我们设计了一个遗传算法，我们称之为BAGA，说明它的效用解决简单的优化问题，如函数优化，0/1背包问题，哈密尔顿路径问题。所获得的结果打开了设想进化算法的可能性，其灵感来自合成生物学的原理、机制和遗传电路。总之，我们可以得出结论，合成生物学是一个灵感的来源，无论是进化算法的设计或其一些步骤，在我们的模拟实验中获得的结果所示。
2021-01-19 cs.MA cs.NE
Superior Exploration-Exploitation Balance with Quantum-Inspired Hadamard Walks
本文提出了量子启发的Hadamard行走，称为QHW的发展中采用的类比量子启发的进化算法。本文还提出了一种新的求解组合优化问题的量子进化算法HQEA。HQEA的新颖之处在于它结合了QHW远程搜索和QHW本地搜索-本文定义的经典突变和本地搜索的量子等价物。解释了这种方法背后的直观推理，以及由此发生的探索-开发平衡。从对0，1-背包问题进行的实验结果来看，HQEA在收敛速度和精度方面明显优于传统的遗传算法CGA和两种量子进化算法QEA和NQEA。
2010-04-04 cs.NE
Explaining Adaptation in Genetic Algorithms With Uniform Crossover: The Hyperclimbing Hypothesis
超攀爬假设是对均匀交叉遗传算法自适应性的一种假设性解释。Hyperclimbing是一种直观的，通用的，非局部的搜索启发式适用于离散产品空间的崎岖或随机的成本函数。这种启发式算法的优点在于，当成本函数是确定性的时，它不容易陷入局部最优，而当成本函数是随机的时，它对噪声具有容忍度。超攀爬通过抽取搜索空间来工作，即通过迭代地固定少量变量的值。超攀爬假说认为UGA通过实现高效的超攀爬来工作。这一假设的概念证明来自于使用一种新的分析技术，涉及利用算法对称性。我们还获得了实验结果表明，一个简单的调整启发hyperclimbing假设大大提高了性能的大型，随机的MAX-3SAT和谢林顿柯克帕特里克自旋眼镜问题的UGA。
2012-04-16 cs.AI cs.NE
Kozax: Flexible and Scalable Genetic Programming in JAX
Donders Institute for Brain, Cognition and Behaviour（唐德斯脑、认知与行为研究所）；Radboud University（拉德堡德大学）
针对遗传编程适应度评估计算需求高、缺乏高效通用框架的问题，提出基于JAX的Kozax框架，支持符号表达式演化、GPU高效扩展及自定义算子，可优化科学计算的白盒解决方案。
2025-04-15 cs.AI cs.NE
HOTGP -- Higher-Order Typed Genetic Programming
Federal University of ABC (UFABC)（ABC联邦大学）
本文提出HOTGP遗传规划算法，利用丰富数据类型与内置文法约束搜索空间，合成纯类型化函数式程序，在标准基准上比6种先进算法更频繁地合成正确程序。
2023-04-06 cs.AI cs.NE
Solving the Schrodinger equation with genetic algorithms: a practical approach
薛定谔方程是物理学和化学中最重要的方程之一，在最简单的情况下可以用计算机数值方法求解。自上世纪70年代初以来，计算机开始被用来解决基本量子系统中的这个方程，例如，在最复杂的情况下，氢类系统。获得解意味着找到波函数，这允许预测量子系统的物理和化学性质。然而，当量子系统比类氢系统更复杂时，我们必须满足方程的近似解。在过去的十年中，量子计算的算法和原理在物理和化学以外的学科中的应用，如生物学和人工智能，导致了对替代技术的搜索，以获得薛定谔方程的近似解。在本文中，我们回顾和说明遗传算法的应用，即随机优化程序的启发达尔文进化论，在基本量子系统和人工智能的量子模型。在这最后一个领域，我们说明了两个玩具模型如何解决薛定谔方程的量子神经元的基本模型，并在合成的量子线路控制行为的Braitenberg车辆。
2022-10-27 cs.NE physics.comp-ph quant-ph
Randomness Evaluation of a Genetic Algorithm for Image Encryption: A Signal Processing Approach
本文提出了一种用于图像保密通信的分组密码的随机性评估方法。GFHT密码是一种遗传算法，它结合了基因融合（GF）和水平基因转移（HGT），两者都是从细菌的抗生素耐药性中得到的启发。对称加密密钥由四对染色体和多层随机序列组成。加密由单个块中的主要密钥代理的GF开始，然后HGT执行混淆，其中基因是像素，染色体是行和列。从图像散列值中提取的Salt用于实现一次性密码本（OTP）方案，因此一个像素的修改生成不同的加密密钥，而不改变主密码短语或密钥。因此，实现了99%的极端雪崩效应。基于随机矩阵理论、功率谱密度、雪崩效应、二维自相关、像素随机性检验和卡方假设检验的随机性评价表明，加密图像具有均匀白噪声的统计特性，实验结果验证了理论模型的正确性。与混沌遗传密码的性能比较表明了GFHT算法的优越性。
2020-08-09 cs.CR cs.NE
Epigenetic opportunities for Evolutionary Computation
University of Southampton（南安普顿大学）；The Alan Turing Institute（阿兰·图灵研究所）
演化计算是一组受生物启发的算法，用于解决复杂的优化问题。它可以分为进化算法和群体智能算法，前者从基因遗传中获得灵感，后者从文化遗传中获得灵感。然而，最近的发展集中在计算或数学适应上，留下了它们的生物学根源。这使得许多现代进化论文献相对未被探索。为了了解哪些进化机制已被考虑，哪些已被忽视，本文打破了成功的生物启发的算法在当代生物框架的基础上扩展的进化合成，扩展的经典，遗传学为重点，现代合成。分析表明，达尔文主义和现代综合已被纳入演化计算，但扩展的进化综合已被广泛忽视以外：文化继承，纳入子集的群体智能算法，进化，通过CMA-ES，和多级选择，通过多级选择遗传算法。该框架显示了演化计算的表观遗传中缺失的差距，尽管它是现代解释进化如何发生的关键组成部分。表观遗传可以解释快速适应，而不改变个人的基因型，通过允许生物有机体快速自我适应环境线索，这增加了收敛的速度，同时保持稳定，在不断变化的环境。这就留下了各种各样的生物启发机制作为低挂的水果，应该在演化计算中进一步探索。
2021-08-10 cs.AI cs.NE
A Genetic Algorithm approach to Asymmetrical Blotto Games with Heterogeneous Valuations
布洛托博弈是一种流行的多维战略资源分配模型。两名玩家在拍卖环境中分配不同战场的资源。虽然人们对预算平等的竞争有了很好的理解，但对资源不对称下的战略行为却知之甚少。我们引入了一个遗传算法，搜索启发式的启发，从生物进化，解释为社会学习，来解决这个问题。大多数绩效策略被结合起来，创造出更多的绩效策略。突变允许算法有效地扫描可能策略的空间，并考虑各种各样的偏差。我们证明了我们的遗传算法收敛到对称Blotto博弈的解析纳什均衡。我们提出的解决方案的概念，它提供了不对称的Blotto游戏。它特别注意到“游击战”战略的出现，这与经验和实验结果是一致的。资源较少的参与者学会集中资源来补偿竞争的不对称性。当局中人对战场的评价不一致时，对抗策略和竞价焦点是在均衡中得到的。这些特征与实证和实验结果相一致，并为其存在提供了学习基础。
2021-03-26 cs.NE econ.GN q-fin.EC
Quantum Genetic Optimization for Negative Selection Algorithms in Anomaly Detection
Mackenzie Presbyterian University（麦肯齐长老会大学）
本文提出了一种结合量子遗传算法的量子负选择算法（QGNSA），以提升异常检测中检测器生成的效率和准确性，通过量子叠加和概率振幅调整优化搜索空间，实验证明其在高维异常检测任务中优于传统方法。
2026-05-21 cs.ET cs.NE
Genetic Algorithm Based Combinatorial Optimization for the Optimal Design of Water Distribution Network of Gurudeniya Service Zone, Sri Lanka
University of Peradeniya（佩拉德尼亚大学）
本文提出基于遗传算法的组合优化方法，用于斯里兰卡古鲁迪尼亚服务区水分布网络的最优设计，证明了GA在该问题中的有效性。
2026-01-15 cs.NE math.OC
Iterative Genetic Improvement: Scaling Stochastic Program Synthesis
Michigan State University（密歇根州立大学）；Beihang University（北京航空航天大学）
程序合成旨在{ \it自动}从底层程序设计语言中找到满足给定规范的程序。虽然这有可能彻底改变计算，但如何有效地搜索程序的广阔空间是程序合成中尚未解决的挑战。在需要大型程序来求解的情况下，通常认为{ \it随机}搜索比其他类别的搜索技术具有优势。不幸的是，现有的随机程序合成器不能很好地满足这一期望，遭受的可扩展性问题。在这里，我们提出了一个新的框架随机程序合成，称为迭代遗传改进，以克服这个问题，一种技术的灵感来自实践的软件开发过程。迭代遗传改进算法的核心思想是先对参考程序进行遗传改进，然后用最优的程序迭代地替换参考程序，与传统的随机综合方法相比，迭代遗传改进算法能够以更稳健的方式逐步增加程序的复杂度。我们评估的方法上的两个程序合成域：列表操作和字符串转换。我们的实证结果表明，这种方法具有相当大的优势，几个代表性的随机程序合成器技术，无论是在可扩展性和解决方案的质量。
2022-02-26 cs.AI cs.NE cs.SE
Hyperspectral classification of blood-like substances using machine learning methods combined with genetic algorithms in transductive and inductive scenarios
Cracow University of Technology（克拉科夫科技大学）；Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息学研究所）
本研究将遗传算法应用于高光谱图像分类的模型和波段选择。我们使用一个受法医启发的数据集，其中包含7张高光谱图像，其中包含血液和5种视觉相似的物质，在两种情况下测试GA优化的分类器：当训练和测试数据来自同一图像时，以及当它们来自不同图像时，由于光谱差异显著，这是一项更具挑战性的任务。在我们的实验中，我们比较遗传算法与一个经典的模型优化，通过网格搜索。我们的研究结果表明，基于GA的模型优化可以减少波段的数量，并创建一个准确的分类器，优于基于GS的参考模型，提供了在模型优化过程中，它可以访问类似于测试数据的例子。我们用实验来说明这一点，强调验证集的重要性。
2020-11-04 cs.CV cs.LG cs.NE
Gene-Machine, a new search heuristic algorithm
介绍了一种基于积木式假设的高效启发式搜索算法--基因机。它的灵感来自自然进化，但没有使用遗传算法中的一些概念，如种群，突变和生成。与遗传算法相比，该启发式算法具有良好的性能，可以用来生成有用的优化和搜索问题的解决方案。
2013-03-08 cs.AI cs.NE
A Study of a Genetic Algorithm for Polydisperse Spray Flames
现代科技的进步不断推动着人机交互的发展。进化算法（Evolutionary Algorithms，EA）是一种机器学习（Machine Learning，ML）子类，其灵感来源于达尔文进化论中的适者生存（Survival of the Fittest）。在这类算法中最显着的是遗传算法（GA）-一个强大的启发式工具，使高质量的解决方案的优化问题的生成。近几十年来，该算法经历了显着的改进，使其适应于广泛的工程问题，通过启发式搜索的最优解。尽管定义明确，但许多工程问题在接近推导过程时可能会受到严重的分析纠缠，这是经典优化方法所要求的。因此，这里的主要动机是绕过这个障碍。在这篇文章中，我想利用GA的能力来检查一个独特的燃烧问题的最优性，以一种以前从未执行过的方式。更准确地说，我想利用它来回答这个问题：什么形式的初始液滴尺寸分布（iDSD）将保证最佳火焰？为了回答这个问题，我将首先对GA方法进行一般性介绍，然后开发燃烧模型，并最终将两者合并为优化问题。
2020-08-11 cs.NE
JANUS: Parallel Tempered Genetic Algorithm Guided by Deep Neural Networks for Inverse Molecular Design
Stanford University（斯坦福大学）；University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（矢量人工智能研究所）；Canadian Institute for Advanced Research（加拿大高级研究院）
逆分子设计，即，设计具有特定目标性质的分子可以被视为优化问题。自然科学中的高维优化任务通常通过基于种群的元启发式优化算法（如进化算法）来解决。然而，昂贵的性能评估，这是经常需要的，可以限制这种方法的广泛使用，因为相关的成本可能会变得令人望而却步。在这里，我们提出了JANUS，一个遗传算法的灵感来自并行回火。它传播两个种群，一个用于探索，另一个用于开发，通过减少昂贵的属性评估来改进优化。此外，JANUS还通过深度神经网络进行了增强，该网络通过主动学习来近似分子特性，以增强化学空间的采样。我们的方法使用SELFIES分子表示和STONED算法来高效生成结构，并在常见的逆分子设计任务中优于其他生成模型，从而实现最先进的性能。
2021-08-14 cs.AI cs.NE
Geometric Semantic Genetic Programming Algorithm and Slump Prediction
再生混凝土作为建筑材料的性能研究是当前国际上的一个重要课题。由于再生混凝土的组成复杂，传统的坍落度预测方法难以取得令人满意的结果。基于非线性预测方法的理论，结合再生混凝土的特点，提出了基于几何语义遗传编程（GSGP）的再生混凝土坍落度预测模型。通过对实际工程中不同配合比的再生混凝土坍落度进行计算，并将预测值与试验值进行对比，结果表明，该模型能够准确预测再生混凝土的坍落度。通过与其他几种非线性预测模型的比较，我们可以得出结论，GSGP具有更高的精度和可靠性比传统的方法。
2017-12-07 cs.NE
Genetic Algorithms with Neural Cost Predictor for Solving Hierarchical Vehicle Routing Problems
本文提出 GANCP，用预训练图神经网络预测 HGS-CVRP 的路径成本，避免遗传算法中反复求解路径问题，在 MDVRP 与 CLRP 标准基准上高效生成高质量解。
2024-09-07 cs.NE
Standard Steady State Genetic Algorithms Can Hillclimb Faster than Mutation-only Evolutionary Algorithms
在演化计算中，解释遗传算法的真正力量在多大程度上在于交叉将个体重组成更高质量解的能力是一个重要的问题。在本文中，我们将展示如何变异和交叉之间的相互作用可以使遗传算法爬山速度比他们的变异只有同行。我们设计了一个马尔可夫链框架，允许严格证明上界的标准稳态遗传算法爬山OneMax函数的运行时间。的界限建立，稳态遗传算法是25%的速度比所有标准的位变异的进化算法的静态突变率达到较低的顺序项为中等人口规模。分析还表明，较大的种群可能比大小为2的种群更快。我们提出了一个贪婪的（2+1）GA匹配的上限大于2的人口的下限，严格证明了2个人不能超越更大的人口规模下贪婪的选择和贪婪的交叉到低阶项。在互补实验中的最佳人口规模是大于2和贪婪的遗传算法是比标准的更快，进一步表明，推导出的下限也适用于标准的稳态（2+1）GA。
2017-08-25 cs.NE
Efficient Parallel Genetic Algorithm for Perturbed Substructure Optimization in Complex Network
本文首次提出GAPA框架，通过重构遗传操作和支持分布式并行加速，优化10种PSSO算法，在18个数据集上平均达到Evox的4倍加速。
2024-12-30 cs.NE cs.SI
Evolutionary Demographic Algorithms
遗传算法中的大多数问题都非常复杂，需要大量的资源，这是现有技术所不能提供的。我们的目的是开发一个Java-JINI分布式库，实现遗传算法与子种群（粗粒度）和图形界面，以配置和跟踪搜索的演变。在通过网络连接的个人计算机中模拟/评估子群体，同时牢记子群体、迁移政策和网络拓扑的不同模型。我们表明，该模型延迟收敛的人口保持较高水平的遗传多样性，并允许更多的评价，因为它们是分布在几台计算机相比，传统的遗传算法。
2016-05-22 cs.NE
A natural-inspired optimization machine based on the annual migration of salmons in nature
生物灵感是人工模拟科学的一个分支，在自动模式识别、系统故障检测和应用优化等工程领域有着广泛的应用。本文提出了一种新的元启发式优化算法，即模拟大鲑鱼流（TGSR）。所得到的结果意味着在复杂的非凸，多维和多模态问题的优化执行方法的可接受的性能。为了证明TGSR在鲁棒性和质量方面的优越性，它还与大多数著名的优化技术，如模拟退火（SA），并行迁移遗传算法（PMGA），差分进化算法（DEA），粒子群优化（PSO），蜜蜂算法（BA），人工蜂群（ABC），萤火虫算法（FA）和布谷鸟搜索（CS）进行了比较。所得到的结果证实了所提出的方法在不同的基准优化问题的鲁棒性和质量的可接受的性能，也证明了作者的要求。
2013-12-14 cs.NE
Accelerating Evolution: Integrating PSO Principles into Real-Coded Genetic Algorithm Crossover
Xiaobo Jin School of Information Engineering Taizhou Vocational College of Science & Technology（金晓波 学校信息工程学院 太zhou 职业科技学院）；Traditional Chinese Medicine department Taizhou First People’s Hospital（传统中医部门 太zhou 第一人民医院）
本文提出融合粒子群优化思想的实数编码遗传算法交叉算子PSOX，利用全局最优与历史最优信息加速收敛并保持多样性，在15个基准函数上验证其优于五种先进交叉算子，并给出变异率调参指导。
2025-05-06 cs.AI cs.NE
Analysis of a Nature Inspired Firefly Algorithm based Back-propagation Neural Network Training
优化算法通常受到元启发式方法的影响。近年来，为了寻找更好的优化解，发展了几种混合优化方法。提出的工作使用元启发式自然启发式算法与反向传播方法施加到训练前馈神经网络。萤火虫算法是一种自然启发式算法，在训练前馈神经网络时，将萤火虫算法与反向传播算法相结合，以提高收敛速度。所提出的技术进行了测试，在一些标准的数据集。结果表明，该方法在很小的迭代次数内就能获得较好的收敛性。这种性能也进行了分析和比较，遗传算法基于反向传播。据观察，所提出的方法消耗更少的时间来收敛，并提供最小的前馈神经网络设计的改进的收敛速度。
2012-06-23 cs.AI cs.NE
Heuristic Hyperparameter Optimization for Convolutional Neural Networks using Genetic Algorithm
近年来，来自世界各地的人们正在遭受历史上最严重的疾病之一，被称为2019冠状病毒病，简称COVID-19。当病毒到达肺部时，它有更高的概率引起肺部肺炎和败血症。X光图像是识别COVID-19患者感染典型特征的有力工具。放射科和病理科医生观察到感染患者\cite{cozzi2021ground}的胸部X线表现为磨玻璃样阴影，可作为诊断过程中的标准之一。在过去的几年中，深度学习已被证明是图像分类领域最强大的方法之一。由于正常人和受感染者\cite{rousan2020chest}之间的胸部X射线存在显著差异，因此可以使用深度模型来识别患者胸部X射线中疾病的存在。许多深层模型是复杂的，并且随着大量输入参数而演变。设计师有时会在深度模型的调优过程中遇到困难，特别是当他们从头开始构建模型时。受生物进化过程启发而产生的遗传算法在解决这类复杂问题中发挥了关键作用。在本文中，我提出了一种基于遗传的方法来优化卷积神经网络（CNN）的胸部X射线分类任务。
2021-12-14 cs.CV cs.LG cs.NE
Sub- Diving Labeling Method for Optimization Problem by Genetic Algorithm
在许多全局优化问题中，需要在大的空间中计算全局点（最小点或最大点），这是非常高的计算工作量。本文提出了一种新的优化方法--细分标号法（SLM），但这种方法对于高维数的优化问题计算量很大。最优化问题中的SLM遗传算法（SLMGA）就是解决这一问题的方法之一。该算法以交叉点作为初始种群，每一步的细分都是根据变异情况进行的。将RSLMGA与DE、PGA、Grefensstette和Eshelman等算法进行了比较，数值结果表明RSLMGA以较少的代数获得全局最优解，且决策次数较多。
2013-07-22 cs.NE math.OC
A New Metaheuristic Bat-Inspired Algorithm
元启发式算法如粒子群优化算法、萤火虫算法、和声搜索算法等正成为解决许多复杂最优化问题的有力工具。在本文中，我们提出了一种新的元启发式方法，蝙蝠算法，蝙蝠的回声定位行为的基础上。我们还打算结合现有算法的优点到新的蝙蝠算法。经过详细的制定和解释其实施，我们将比较所提出的算法与其他现有的算法，包括遗传算法和粒子群优化。仿真结果表明，该算法明显优于其他算法，并讨论了进一步的研究。
2010-04-23 cs.NE math.OC physics.bio-ph
A self-adaptive genetic algorithm for the flying sidekick travelling salesman problem
本文首次提出用自适应遗传算法解决飞行搭档旅行商问题（FSTSP），通过战略部署无人机服务偏远客户以最小化总时间，实验证明该方法在多规模问题上优于竞争算法且计算时间低。
2023-10-23 cs.NE
A Hierarchical Genetic Optimization of a Fuzzy Logic System for Flow Control in Micro Grids
SAPIENZA University of Rome（罗马大学）；Ryerson University（瑞尔森大学）
生物启发的算法，如遗传算法和模糊推理系统（FIS），目前广泛采用的混合技术在商业和工业环境。在本文中，我们提出了一个有趣的应用模糊遗传算法的范例智能电网。主要目的包括在执行决策的潮流管理任务，在建议的微电网模型配备可再生能源和储能系统，考虑到能源交易的经济利润与主电网。特别是，本研究的重点是应用分层遗传算法（HGA）调整规则库（RB）的模糊推理系统（FIS），试图发现一个最小的模糊规则集的模糊逻辑控制器（FLC）通过执行决策在微电网。HGA原理集中在一个特定的编码方案，基于控制基因和参数基因应用于FIS参数的优化，允许执行RB的结构复杂性的降低。这种方法在下文中将被称为模糊HGA。结果进行了比较与一个简单的方法的基础上，一个经典的模糊遗传算法计划，其中FIS参数和规则权重进行调整，而模糊规则的数量是固定的。实验结果表明，如何模糊HGA方法采用的建议控制器的合成优于经典的模糊GA计划，增加了67%的会计利润在考虑能源交易问题，同时产生一个简单的RB。
2017-03-01 cs.AI cs.NE
Evolution as a Service: A Privacy-Preserving Genetic Algorithm for Combinatorial Optimization
进化算法（EA），如遗传算法（GA），提供了一种优雅的方式来处理组合优化问题（COP）。然而，受专业知识和资源的限制，大多数用户没有足够的能力来实现EA来解决COPs。一个直观且有前途的解决方案是将进化操作外包给云服务器，同时它会受到隐私问题的困扰。为此，本文提出了一种新的计算范式--进化即服务（EaaS），即云服务器在不牺牲用户隐私的前提下为用户提供演化计算服务。受EaaS思想的启发，本文设计了一种新的COPs隐私保护遗传算法PEGA。具体而言，PEGA使用户能够将COP外包给云服务器，该云服务器持有竞争性GA并以隐私保护的方式近似最优解。PEGA具有以下特点。首先，任何没有专业知识和足够资源的用户都可以解决她的COP。其次，PEGA不泄漏优化问题的内容，即，用户隐私。第三，PEGA具有与传统GA相同的逼近最优解的能力。我们实现了PEGA落在一个双服务器架构，并评估它在旅行推销员问题（TSP，一个广为人知的COP）。特别地，我们利用加密密码学来保护用户的隐私，并精心设计了一套安全计算协议来支持遗传算法对加密数据的进化操作。隐私分析表明，PEGA不会向云服务器披露COP的内容。在四个TSP数据集上的实验结果表明，PEGA在逼近最优解方面与传统GA一样有效。
2022-05-27 cs.NE
Genetic Algorithm with Innovative Chromosome Patterns in the Breeding Process
Department of Computer Science, Georgia Institute of Technology（计算机科学系，佐治亚理工学院）；Visa Inc.（Visa公司）
本文提出GAB算法，通过在繁殖过程中引入新染色体模式增强探索能力，显著缓解过早收敛并提高搜索多样性，在复杂作业调度和经典Flip-Flop问题上实现更快收敛与更高适应度，为大规模组合优化提供高效方案。
2025-06-26 cs.LG cs.NE stat.CO
New Optimization Approach Using Clustering-Based Parallel Genetic Algorithm
在许多全局优化问题中，需要在大的空间中计算全局点（最小点或最大点），这是非常高的计算工作量。本文提出了一种新的优化方法--细分标号法（SLM），但这种方法对于高维的优化问题计算量很大。基于遗传算法的并行遗传算法（CBPGA）在优化问题中的应用是解决这一问题的方法之一。初始种群是交叉点，每一步的细分都是根据变异进行的。在标记所有交叉点后，根据具有完整标记的多面体进行选择。在这种方法中，我们提出了一种算法，基于并行化方案，使用主从。利用CBPGA实现了SLM算法，并对实验结果进行了比较。数值算例和数值结果表明，SLMCBPGA算法在速度和效率上都有较大的提高.
2013-07-22 cs.NE math.OC
Comparison of Genetic Algorithm and Simulated Annealing Technique for Optimal Path Selection In Network Routing
本文讨论了从已知发送端到接收端的路径选择问题。所提出的工作表明，路径选择使用遗传算法（GA）和模拟退火（SA）的方法。在遗传算法方法中，多点交叉和变异有助于确定最优路径，如果需要，还可以确定备用路径。这两种算法的输入是一个学习模块，它是认知路由器的一部分，负责四个QoS参数。该方法的目标是最大化沿前向信道的带宽和最小化路由长度。种群大小被认为是参与网络场景的N个节点，这将被限制在已知的拓扑大小。仿真结果表明，采用遗传算法求解最短路径问题，随着迭代次数的增加，最短路径收敛的概率增大;而采用模拟退火算法求解最短路径问题，由于模拟退火算法是随机选择的，因此迭代次数对最短路径的收敛没有影响。
2010-01-22 cs.NE cs.NI
Green Heron Swarm Optimization Algorithm - State-of-the-Art of a New Nature Inspired Discrete Meta-Heuristics
现实世界中的许多问题都是NP-Hard问题，其中很大一部分可以表示为基于图的问题。这使得图论成为一个非常重要和流行的研究领域。在这项工作中，一种新的生物启发的元算法，称为绿鹭群优化（GHOSA）算法被引入，其灵感来自鸟的捕鱼技能。该算法基本上适合于组合优化等基于图的问题。然而，引入了一种称为基于位置的邻居影响变分（LBNIV）的自适应数学变分算子，使其适合于高维连续域问题。在传统的基准方程组上进行了运算，并与遗传算法和粒子群算法进行了比较。该算法在旅行商问题、二次分配问题、背包问题数据集上也得到了应用。并讨论了该算法在资源约束最短路径和路网优化问题上的具体实现过程。结果清楚地表明GHOSA算法是一种有效的算法，特别是考虑到离散优化的算法数量非常低，并且在这个社交网络时代和大多数基于图的问题场景中需要更探索性的算法。
2013-10-14 cs.NE
Duelist Algorithm: An Algorithm Inspired by How Duelist Improve Their Capabilities in a Duel
本文提出了一种基于人的战斗和学习的优化算法。由于该算法是基于人口，所提出的算法开始于一个初始集合的决斗。决斗是为了决定胜负。失败者向胜利者学习，而胜利者尝试他们的新技能或技术，可能会提高他们的战斗能力。一些具有最高战斗能力的决斗者被称为冠军。冠军训练了一个新的决斗者，如他们的能力。新的冠军将作为每个冠军的代表参加比赛。所有决斗者都被重新评估，战斗能力最差的决斗者被淘汰，以保持决斗者的数量。该算法采用了两种优化问题，分别采用了遗传算法、粒子群算法和帝国竞争算法。结果表明，该算法能够找到更好的全局最优解，迭代速度更快。
2015-12-02 cs.NE
Audio-guided Album Cover Art Generation with Genetic Algorithms
Ghent University（根特大学）；imec（比利时微电子研究中心）
Spotify上每天有超过60，000首歌曲发布，听众注意力的竞争是巨大的。在这方面，封面艺术的吸引力和吸引力的重要性不可低估，因为它与歌曲的性格和艺术家的身份深深纠缠在一起，并且仍然是引导人们发现音乐的最重要的门户之一。然而，设计封面艺术是一个非常有创意，漫长，有时昂贵的过程，可以令人望而生畏，特别是对于非专业艺术家。出于这个原因，我们提出了一种新的深度学习框架来生成由音频特征引导的封面艺术。受VQGAN-CLIP的启发，我们的方法非常灵活，因为单个组件可以轻松更换，无需任何重新培训。本文概述了我们的模型的架构细节，并讨论了从它们出现的优化挑战。更具体地说，我们将利用遗传算法来克服坏的局部极小值和对抗性的例子。我们发现，我们的框架可以生成适合大多数流派的封面艺术，并且视觉特征适应音频特征的变化。鉴于这些结果，我们相信，我们的框架铺平了道路的扩展和更先进的应用程序在音频引导的视觉生成任务。
2022-07-14 cs.GR cs.LG cs.MM
Nature-Inspired Algorithms for Wireless Sensor Networks: A Comprehensive Survey
为了解决无线传感器网络（WSNs）中的关键问题，与有限的传感器寿命的关注，自然启发的算法正在出现作为一个合适的方法。获得最佳的网络覆盖是在设置任何网络之前需要严格检查的挑战性问题之一。最优的网络覆盖不仅可以最大限度地减少电池驱动传感器的有限能量消耗，而且可以减少冗余信息的感知。在本文中，我们专注于自然启发的优化算法在无线传感器网络的最佳覆盖。在本文的前半部分，我们简要讨论了无线传感器网络中的优化算法的分类以及问题域。在论文的后半部分，我们比较了两种自然启发的算法在无线传感器网络中获得最佳覆盖的性能。第一种是改进的遗传算法和二进制蚁群算法的组合算法（IGABACA），第二种是狮子优化算法（LO）。仿真结果表明，LO算法具有更好的网络覆盖性能，且收敛速度比IGA-BACA算法快。此外，我们观察到，最佳的覆盖率是在LO中实现了更少的代数相比，IGA-BACA。这篇综述将有助于研究人员探索在这一领域以及超越这一领域的应用。关键词：最佳覆盖，仿生算法，狮子优化，无线传感器网络。
2020-12-24 cs.NE cs.NI
Hybrid Ant Swarm-Based Data Clustering
South Dakota School of Mines and Technology（南达科他矿业理工学院）
生物启发的计算技术在包括数据聚类在内的许多研究领域都非常有效和有用。蚁群聚类算法是一种受自然启发的聚类技术，已经被广泛研究了二十多年。在这项研究中，我们扩展了蚂蚁聚类算法（ACA）的混合蚂蚁聚类算法（hACA）。具体来说，我们包括一个遗传算法在标准ACA扩展的混合算法，以获得更好的性能。我们还引入了新的拾取和丢弃规则，以加快聚类性能。我们研究了hACA算法的性能，并与标准ACA作为基准进行比较。
2021-07-11 cs.LG cs.NE
Explanation-Guided Fairness Testing through Genetic Algorithm
Xi’an Jiaotong University（西安交通大学）
公平性是可信AI系统的一个重要属性。大量的研究提出了不同的方法来测试个人的公平性。然而，它们受到三大限制，即，低效率、低效益和模型特异性。这项工作提出了ExpGA，通过遗传算法（GA）的推理引导的公平性测试方法。ExpGA采用可解释方法产生的解释结果来收集高质量的初始种子，这些种子易于通过稍微修改特征值来获得歧视性样本。ExpGA然后采用GA搜索歧视性的样本候选人，通过优化的适应值。将解释结果与遗传算法相结合，使得ExpGA能够有效地检测出歧视个体。此外，ExpGA只需要测试模型的预测概率，从而导致更好的泛化能力，以各种模型。多个真实世界的基准测试，包括表格和文本数据集上的实验表明，ExpGA比四个国家的最先进的方法具有更高的效率和有效性。
2022-05-16 cs.LG cs.NE
Tuning Synaptic Connections instead of Weights by Genetic Algorithm in Spiking Policy Network
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Institute of Automation, Chinese Academy of Sciences (CAS)（中国科学院自动化研究所）；Center for Excellence in Brain Science and Intelligence Technology, CAS（中国科学院脑科学与智能技术卓越创新中心）
本文提出用遗传算法优化模仿昆虫感觉运动通路的脉冲策略网络，通过调节突触连接而非权重，在机器人控制任务中达到主流深度强化学习同等性能且能效显著更高。
2024-11-25 cs.AI cs.NE
A Genetic Algorithm-Based Approach for Automated Optimization of Kolmogorov-Arnold Networks in Classification Tasks
Hebei University（河北大学）
本文提出GA-KAN，一种基于遗传算法的KANs自动化优化方法，通过引入稀疏连接和新的编解码策略，在多个分类数据集上提升了模型准确性与可解释性，同时显著减少了参数数量。
2025-01-29 cs.AI cs.LG cs.NE
Semantic Mirror Jailbreak: Genetic Algorithm Based Jailbreak Prompts Against Open-source LLMs
本文提出语义镜像越狱（SMJ）方法，将越狱提示搜索建模为多目标优化问题，利用遗传算法生成与原始问题语义相似且有效的越狱提示，显著提升了对开源大语言模型的攻击成功率并增强了对抗语义防御的能力。
2024-02-27 cs.AI cs.CL cs.NE
