Epoch-based Application of Problem-Aware Operators in a Multiobjective Memetic Algorithm for Portfolio Optimization
针对带基数约束的投资组合多目标优化，提出按搜索 epoch 选择性应用基于 Sharpe 指数的局部搜索与精英记忆算子，以平衡强化与多样化，并验证其参数稳健性和竞争力。
2024-12-05 cs.NE
Memetic Viability Evolution for Constrained Optimization
当约束条件限制了搜索空间的可行区域时，进化算法的性能会受到严重损害。例如，虽然协方差矩阵自适应演化策略是无约束优化问题的最有效的算法之一，它不能很容易地应用于约束的。在这里，我们使用的概念，从模因计算，即多个单位的算法信息的和谐组合，和可行性进化，人工进化的另一种抽象，设计一种新的方法来解决不等式约束的优化问题。可行性演化强调消除不满足可行性标准的解决方案，定义为目标和约束的边界。这些边界在搜索过程中进行调整，以基于协方差矩阵自适应演化策略驱动局部搜索单元的种群朝向可行区域。这些单元可以通过差分进化算子进行重组。至关重要的性能，我们的方法，自适应调度器之间切换的剥削和探索，通过选择提前本地搜索单元和/或重组它们。所提出的算法可以优于几个国家的最先进的方法对不同的基准和工程问题，无论是解决方案的质量和所需的计算资源。
2018-10-05 cs.NE
Memetic Search for Green Vehicle Routing Problem with Private Capacitated Refueling Stations
本文提出METS算法，通过路线分割和定制化局部搜索解决带有私人容量加油站的绿色车辆路径问题，发现新最佳解并引入新基准集。
2025-11-29 cs.NE
Knowledge-Guided Memetic Algorithm for Capacitated Arc Routing Problems with Time-Dependent Service Costs
Central China Normal University（华中师范大学）；Lingnan University（岭南大学）
针对带时变服务成本的容量约束弧路径问题计算效率低的难题，提出融合黄金分割与负相关搜索的知识引导模因算法，通过高质量初始化和无效移动过滤提升效率，实验验证其速度优于现有最优方法。
2026-11-04 cs.NE
Variable Population Memetic Search: A Case Study on the Critical Node Problem
East China University of Science and Technology（华东理工大学）；Université d’Angers（昂热大学）；Institut Universitaire de France（法兰西大学研究院）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）；Nanjing University of Posts and Telecommunications（南京邮电大学）
基于种群的模因算法已经成功地应用于解决许多困难的组合问题。通常，在这样的算法中使用固定大小的种群来记录在搜索期间采样的一些最佳解。然而，考虑到所考虑的问题实例的特定特征，可变大小的种群将更适合于确保尽可能最佳的搜索性能。在这项工作中，我们提出了可变人口模因搜索（VPMS），其中一个战略人口规模的机制是用来动态调整人口规模在模因搜索过程中。我们的VPMS方法从只有两个解决方案的小种群开始搜索，专注于开发，然后根据搜索状态调整种群大小，不断影响开发和探索之间的平衡。我们说明了应用VPMS方法来解决具有挑战性的关键节点问题（CNP）。我们表明，VPMS算法集成了一个可变的人口，一个有效的局部优化过程（称为多样化的后期接受搜索）和一个基于骨干的交叉算子相比，最先进的CNP算法表现非常好。该算法能够为42个流行的基准测试实例中的13个实例发现新的上界，同时匹配23个以前最知名的上界。
2019-09-12 cs.AI cs.NE
A PSO and Pattern Search based Memetic Algorithm for SVMs Parameters Optimization
针对支持向量机参数优化问题，提出了一种基于粒子群优化算法和模式搜索的模因算法。在提出的模因算法中，粒子群算法负责探索的搜索空间和检测的潜在区域的最佳解决方案，而模式搜索（PS）是用来产生一个有效的利用粒子群算法获得的潜在区域。此外，提出了一种新的概率选择策略，以选择合适的个体进行局部求精，在探索和开发之间保持良好的平衡。实验结果验证了粒子群算法的局部细化和选择策略的有效性，并证明了基于粒子群算法的多粒子群算法在支持向量机参数优化中的有效性和鲁棒性。
2014-01-09 cs.AI cs.LG cs.NE
A Memetic Algorithm Based on Breakout Local Search for the Generalized Travelling Salesman Problem
Faculty of Science, Mohammed V University in Rabat（拉巴特穆罕默德五世大学理学院）；LRIT, associated unit to CNRST (URAC 29)（LRIT（与国家科学技术研究中心关联的单位，URAC 29））
旅行商问题（TSP）是最常见的组合优化问题之一。由于它可以解决各种各样的应用程序，但也很难找到最佳解决方案，因此受到广泛欢迎。TSP的一个变体是广义TSP（GTSP），其中TSP被认为是一种特殊情况，这使得GTSP更难求解。本文提出了一种新的模因算法的基础上著名的突破本地搜索（BLS）元启发式提供良好的解决方案，GTSP的实例。我们的方法是有竞争力的相比，最近提出的其他模因算法的GTSP，并在同一时间给出了一些改进BLS，以减少其运行时间。
2019-10-19 cs.AI cs.NE math.OC
Hybrid Memetic Search for Electric Vehicle Routing with Time Windows, Simultaneous Pickup-Delivery, and Partial Recharges
针对带时间窗、同时取送货及部分充电的电动车路径问题，提出混合记忆算法，含并行-顺序充电站插入和跨域邻域搜索，并构建大规模真实基准集，实验验证其性能优势。
2025-05-25 cs.NE
A Comparison between Memetic algorithm and Genetic algorithm for the cryptanalysis of Simplified Data Encryption Standard algorithm
遗传算法是一种基于种群的Meta算法。它们已成功地应用于许多优化问题。然而，早熟收敛是这样的经典遗传算法，使他们无法搜索问题域的许多解决方案的固有特性。模因算法是传统遗传算法的一种扩展。它使用了一种局部搜索技术，以减少过早收敛的可能性。简化数据加密标准的密码分析可归结为NP难组合问题。为了研究模因算法和遗传算法在简化数据加密标准问题（SDES）上的密码分析性能，对两种算法进行了比较。实验结果表明，对于这类NP难组合问题，模因算法的性能优于遗传算法。本文是我们的第一次努力，有效的模因算法的密码分析的SDES。
2010-04-05 cs.CR cs.NE
Memetic Differential Evolution Methods for Semi-Supervised Clustering
Global Optimization Laboratory (GOL) Department of Information Engineering University of Florence（全球优化实验室（GOL）信息工程学院佛罗伦萨大学）
本文提出S-MDEClust方法，通过引入必须链接和不能链接约束，解决半监督最小平方和聚类问题，实验验证其有效性与高效性。
2024-11-16 cs.LG cs.NE math.OC
Genetic Programming and Gradient Descent: A Memetic Approach to Binary Image Classification
Victoria University of Wellington（惠灵顿维多利亚大学）
图像分类是计算机视觉中的一项重要任务，它的目的是根据一定的视觉准则将一组图像分成不同的类别。诸如卷积神经网络的现有方法已经成功地用于执行图像分类。然而，这种方法通常需要人为干预来设计模型。此外，这种模式难以解释，分析不同类别的模式也具有挑战性。本文提出了一种混合（模因）的方法结合遗传编程（GP）和基于遗传的优化图像分类，以克服上述的局限性。所提出的方法的性能进行比较的基线版本（没有本地搜索）的四个二进制分类图像数据集，以提供一个洞察本地搜索机制的有用性，以提高GP的性能。
2019-09-28 cs.CV cs.NE
Memetic Artificial Bee Colony Algorithm for Large-Scale Global Optimization
University of Maribor（马里博尔大学）
模因计算（MC）是近年来出现的一种新的高效算法，用于解决最困难的优化问题。另一方面，人工蜂群（ABC）算法在求解连续优化和组合优化问题时表现出良好的性能。本研究试图在同一屋檐下使用这些技术。因此，一个模因ABC（MABC）算法已被开发，这是杂交与两个本地搜索算法：Nelder-Mead算法（NMA）和方向开发的随机游走（RWDE）。前者更多地关注于探索，而后者更多地关注于搜索空间的利用。为了控制勘探与开采之间的平衡，采用了随机适应规则。该MABC算法在2012年IEEE演化计算大会上被应用于大规模连续全局优化的特殊套件。MABC得到的结果与DECC-G、DECC-G* 和MLCC的结果相当。
2012-06-05 cs.AI cs.NE
Addressing Expensive Multi-objective Games with Postponed Preference Articulation via Memetic Co-evolution
本文提出的算法和经验的贡献表明，收敛特性的协同进化的方法来解决多目标游戏（MOG）与推迟的偏好衔接往往会受到阻碍，由于可能出现的所谓的红皇后效应。因此，据推测，收敛特性可以显着改善，通过纳入模因（本地解决方案的改进作为终身学习的一种形式），作为一种有前途的手段，减轻（或至少抑制）红皇后现象，提供一个指导手的纯遗传机制的共同进化。我们的实际动机是解决MOG的时间敏感的性质，其特征在于计算昂贵的评估，其中有一个自然的需要，以减少在实现高质量的解决方案消耗的真函数评估的总数。为此，我们提出了新的增强处理MOG的协同进化方法，使模因局部优化可以有效地应用于进化的候选策略，通过搜索计算上便宜的替代支付景观（保留推迟的偏好条件）。该建议的有效性证明了一套测试MOG已设计。
2017-11-17 cs.NE
Memetic collaborative approaches for finding balanced incomplete block designs
针对平衡不完全区组设计（BIBD）这一对称组合难解问题，提出对偶整数表示与含模因算法、并行协作模型的混合方案，经实证达元启发式求解BIBD的SOTA，且为对称优化问题的协作算法设计提供通用指导。
2024-11-04 cs.NE
Multi-objective Memetic Algorithm with Adaptive Weights for Inverse Antenna Design
本文提出一种结合梯度局部搜索与NSGA-II全局优化、并引入自适应目标权重的多目标模因算法，用于天线逆设计，在四个挑战性示例上显著提升了Pareto前沿的优化速度与质量。
2025-03-12 cs.NE
3-SAT Problem A New Memetic-PSO Algorithm
EMU University（东地中海大学）
3-SAT问题在许多科学和技术应用中具有重要意义。本文提出了一种新的混合进化算法来解决这个可满足性问题。3-SAT问题具有巨大的搜索空间，因此被称为NP难问题。因此，确定性方法不适用于这种情况。因此，应用进化处理方法，特别是粒子群算法，将是解决这类问题的有效方法。本文介绍了一种新的进化优化技术，基于粒子群算法，Memetic算法和局部搜索方法。当一些竞争力混合时，它们的优势也被收集起来，我们可以达到更好的结果。最后，我们测试我们提出的算法在一些基准使用的一些其他可用的算法。实验结果表明，该方法在适当的时间内可以得到较好的结果。与现有的纯遗传算法和一些经过验证的算法相比，取得了较好的效果
2013-06-21 cs.AI cs.NE
A Knowledge-driven Memetic Algorithm for the Energy-efficient Distributed Homogeneous Flow Shop Scheduling Problem
本文针对节能分布式同构流水车间调度问题，提出知识驱动模因算法KDMA，通过协同初始化、局部搜索和碳减排策略提升求解性能，实验证明其优于现有先进算法。
2024-04-28 cs.NE math.OC
Order Acceptance and Scheduling with Sequence-dependent Setup Times: a New Memetic Algorithm and Benchmark of the State of the Art
订单接受和调度（OAS）问题描述了一类现实世界的问题，如智能制造和卫星调度。这个问题包括同时选择一个子集的订单进行处理，以及确定相关的时间表。一个常见的概括包括序列相关的设置时间和时间窗口。一种新的memetic算法，称为麻雀，包括有偏随机密钥遗传算法（BRKGA）和自适应大邻域搜索（ALNS）的混合。Sparrow集成了BRKGA的探索能力和ALNS的开发能力。在一组标准的基准测试实例上，该算法获得了更好的质量解决方案，运行时可与最先进的算法相媲美。为了进一步了解这些算法的优点和缺点，它们的性能也比较了一组新的基准实例具有更现实的属性。我们的结论是，麻雀是区别于它的能力，解决困难的情况下，从OAS文献，和混合稳态遗传算法（HSSGA）表现良好的最优性差距方面的大型实例，虽然需要更多的时间比麻雀。
2019-10-04 cs.NE
Memetic Graph Clustering
众所周知，图聚类没有单一的最佳策略，这证明了现有方法的合理性。本文提出了一种通用的模因算法VieClus来解决图聚类问题。该算法可以适用于优化不同的目标函数。我们的贡献的一个关键组成部分是自然重组运营商，采用集成聚类以及多层次的技术。最后，我们将这些技术与可扩展的通信协议相结合，产生一个能够在短时间内计算高质量解决方案的系统。我们通过模块化局部搜索实例化了我们的方案，并表明我们的算法使用少量时间成功改进或重现了正在考虑的第10个DIMACS实现~挑战的所有条目。
2018-02-20 cs.IR cs.NE
Meme as Building Block for Evolutionary Optimization of Problem Instances
在文献中，进化优化的一个显着不足的探索领域是可以随着问题的解决而进化的优化方法的研究。特别是，目前的进化优化方法通常从头开始搜索或从零开始的知识状态，独立于给定的新的感兴趣的问题是如何类似于那些以前优化。因此，显然缺乏跨问题的自动知识转移和重用。以此为线索，本文介绍了一种新的模因计算范式的搜索，一个模型后，人类如何解决问题，并开始对智能进化优化问题的研究，通过转移的结构化知识的形式模因从以前的解决问题的经验，以提高未来的进化搜索。模因搜索范式由模因学习、模因选择、模因变异和模因模仿四个文化启发算子组成。学习算子从过去解决问题的经验中挖掘潜在结构形式的模因。选择算子识别在问题间复制和传播的适合模因，而变异算子将创新引入模因。另一方面，模仿算子定义了合适的模因如何同化到新遇到的问题的搜索过程中，从而实现高效和有效的进化优化。最后，全面研究两个广泛研究的挑战性以及建立NP难路由问题域，特别是，有能力的车辆路由（CVR）和有能力的弧路由（CAR），证实了高效率的智能进化优化问题的模因计算搜索范式。
2012-07-03 cs.NE
Memetic algorithms for Spatial Partitioning problems
Virginia Tech（弗吉尼亚理工大学）；Mississippi State University（密西西比州立大学）
空间最优化问题（SOP）的特征在于控制决策变量、目标和/或约束函数的空间关系。在这篇文章中，我们专注于一个特定类型的SOP称为空间分区，这是一个组合问题，由于离散空间单元的存在。精确的最优化方法不随问题的大小而变化，特别是在可行的时间限制内。这促使我们开发基于人群的元分析来解决此类SOP。然而，这些基于群体的方法所采用的搜索算子大多是为实参数连续最优化问题设计的。为了使这些方法适应SOP，我们应用领域知识设计空间感知搜索算子，在保持空间约束的同时有效地搜索离散搜索空间。为此，我们提出了一个简单而有效的算法称为基于群体的空间模因算法（SPATIAL），并测试它的学校（重）分区问题。详细的实验研究在真实世界的数据集上进行评估的性能SPATIAL。此外，还进行了消融研究，以了解SPATIAL各个组件的作用。此外，我们讨论了空间~是如何帮助在现实生活中的规划过程中，其适用于不同的场景和激励未来的研究方向。
2022-08-04 cs.AI cs.NE math.OC
A Memetic Algorithm based on Variational Autoencoder for Black-Box Discrete Optimization with Epistasis among Parameters
School of Engineering（工学系）；Tokyo Institute of Technology（东京技术大学）；School of Computing（计算机学系）
针对参数间存在上位效应的黑盒离散优化问题，提出一种结合变分自编码器采样与局部搜索的模因算法，有效解决高维问题并降低计算开销，在 NK 景观上优于现有方法。
2025-04-30 cs.LG cs.NE
MACS: An Agent-Based Memetic Multiobjective Optimization Algorithm Applied to Space Trajectory Design
本文提出了一种多目标优化的算法，它融合了许多算法。一个人口的代理相结合的策略，旨在探索全球的搜索空间，并在每个代理的邻域。本地和全球档案库的结合补充了这些档案库。首先在一组标准问题上对新的基于智能体的算法进行了测试，然后在空间轨迹设计中的三个具体问题上进行了测试。它的性能进行比较，对一些国家的最先进的多目标优化算法，使用Pareto优势作为选择标准：NSGA-II，PAES，MOPSO，MTS。结果表明，基于代理的搜索可以识别部分的帕累托集，其他算法无法捕获。此外，收敛性在统计上更好，尽管结果的方差在某些情况下更高。
2012-06-06 cs.CE cs.NE math.OC
Variations on Memetic Algorithms for Graph Coloring Problems
Univ. Bourgogne Franche-Comté（勃艮第-弗朗什-孔泰大学）；ENAC, French Civil Aviation University（法国国立民航大学）
给定颜色数的图的顶点着色问题是一个NP完全问题，求解该问题最有效的方法是混合算法，如模因算法或量子退火算法。这些混合算法在基于种群的算法中使用了强大的局部搜索。本文提出了一种基于最有效算法之一的新模因算法：Galinier和Hao（1999）提出的混合进化算法HEA。所提出的算法，表示为HEAD-Duet中的HEA-仅对两个个体的群体起作用。此外，HEAD带来了一种管理多样性的新方法。这两个主要差异极大地改善了结果，无论是在解质量还是计算时间方面。HEAD已经为流行的DIMACS基准图产生了几个很好的结果，例如\textless{} dsjc 1000.9 \textgreater{}的222种着色、\textless{} flat1000\_76\_0 \textgreater{}的81种着色以及甚至\textless{} dsjc 500.5 \textgreater{}的47种着色和\textless{} dsjc 1000.5 \textgreater{}的82种着色。
2016-12-17 cs.AI cs.NE math.OC
Approximation of the objective insensitivity regions using Hierarchic Memetic Strategy coupled with Covariance Matrix Adaptation Evolutionary Strategy
AGH University of Science and Technology（AGH科技大学）
全局优化中最具挑战性的不适定性类型之一是设计参数空间中存在不敏感区域，因此如果不适定性是不可恢复的，则对其形状的识别将是至关重要的。这样的问题可以使用全局随机搜索来解决，然后对局部样本和局部目标近似进行后处理。我们提出了一种新的方法，这种类型的分层模因策略（HMS）由协方差矩阵自适应进化策略（CMA-ES）提供动力，众所周知，作为一种有效的，自适应的随机优化算法，我们利用它积累的分布密度知识，以更好地识别和分离不敏感区域。基准测试结果表明，改进的HMS-CMA-ES策略在总计算量和不敏感区域逼近精度方面都是有效的。测试的参考数据是通过一个众所周知的多模态随机优化的有效策略，称为小生境进化算法2（NEA 2），也使用CMA-ES作为一个组成部分。
2019-05-17 cs.AI cs.NE
A GRASP-based memetic algorithm with path relinking for the far from most string problem
Universidad de Málaga（马拉加大学）
针对计算生物学相关的FFMSP，论文提出结合GRASP初始化、路径重连重组和爬山局部改进的模因算法，并在随机与生物实例上证明其显著优于现有方法。
2024-05-27 cs.AI cs.NE
Simulation Optimization of the Crossdock Door Assignment Problem
本报告的目的是提出交叉坞门分配问题，它涉及到分配目的地到交叉坞中心的出站坞门，使材料处理设备的行程距离最小化。我们提出了一个双重的解决方案：仿真和优化的仿真模型仿真优化。我们的解决方案的新颖之处在于，我们打算使用模拟来获得一个更现实的目标函数，并使用Memetic算法来找到一个最佳的解决方案。使用Memetic算法的主要优点是它将局部搜索与遗传算法相结合。Crossdock Door Assignment Problem是Memetic算法的一个新的应用领域，目前还不清楚它将如何执行。
2008-03-11 cs.CE cs.NE
A Memetic Algorithm To Find a Hamiltonian Cycle in a Hamiltonian Graph
Georgia State University（佐治亚州立大学）；The University of Newcastle（纽卡斯尔大学）
提出一种基于非对称旅行商问题求解方法的模因算法，结合稀疏化与动态扩充技术及多项式归约，在哈密顿图中高效寻找哈密顿圈，并在弗林德斯大学挑战集上优于五种基线方法。
2024-02-01 cs.AI cs.DM cs.NE
The Biological Concept of Neoteny in Evolutionary Colour Image Segmentation - Simple Experiments in Simple Non-Memetic Genetic Algorithms
幼态持续（Neoteny），也称为幼态发育（Paedomorphosis），在生物学上可以定义为生物体在以后的生活中保留幼年甚至幼虫的特征。在某些物种中，所有的形态发育都是迟缓的;有机体是幼年的，但性成熟。从进化论的角度来看，幼态形成的过程表明，在某些情况下，现有生物体的幼虫阶段和发育阶段可能会产生全新的生物体。虽然目前的工作并不假装以任何方式来模拟或模拟这样一个概念的生物细节，这些想法被纳入了一个相当简单的抽象计算策略，以允许（如果可能的话）更快地收敛到简单的非模因遗传算法，即不使用局部改进程序（例如，通过鲍德温或拉马克学习）。作为一个案例研究，遗传算法用于彩色图像分割的目的，通过使用K-均值无监督聚类方法，即指导进化算法在他的搜索找到最佳或次优的数据分区。平均结果表明，使用neotonic策略，采用青少年基因型到后代和使用线性动态突变率，而不是常数，可以增加58%的适应值相比，经典的遗传算法，独立于初始人口的特点，在搜索空间。关键词：遗传算法，人工神经持续，动态变异率，快速收敛，彩色图像分割，分类，聚类。
2004-12-17 cs.AI cs.NE
An Estimation of Distribution Algorithm with Intelligent Local Search for Rule-based Nurse Rostering
本文提出了一种新的模因进化算法，以实现明确的学习规则为基础的护士排班，其中包括应用一组启发式规则，每个护士的分配。该算法的主要框架是一个估计的分布算法，其中的蚂蚁矿工的方法，提高在每一代产生的个人解决方案。与我们以前的工作（其中学习是隐式的）不同，分布算法的模因估计中的学习是显式的，即我们能够直接识别构建块。整体方法通过构建概率模型来学习，即用于构建时间表的个体护理规则对的概率分布的估计。本地搜索处理器（即蚂蚁挖掘器）加强获得更高奖励的护士规则对。一个具有挑战性的现实世界护士排班问题被用作测试问题。计算结果表明，所提出的方法优于大多数现有的方法。本文所提出的学习方法可应用于其它按特定规则系统地建立时间表的排序问题
2008-03-03 cs.CE cs.NE
ARES-LSHADE: Autoresearch-Enhanced LSHADE with Memetic Polish for the GNBG Benchmark
University of New Orleans（新奥尔良大学）；Amazon（亚马逊）
本文提出ARES-LSHADE，通过自研循环和膜etic精修改进LSHADE，针对GNBG基准测试实现510/744胜率，达到机器精度，揭示LLM研究循环与基准完整性之间的张力。
2026-05-16 cs.AI cs.NE
Genetic Algorithm with Optimal Recombination for the Asymmetric Travelling Salesman Problem
针对旅行商问题的非对称实例，提出了一种新的带最优重组的遗传算法。该算法结合了几个新的特点，有助于其有效性：（i）最佳重组问题是解决交叉算子。(ii)一种新的变异算子在3-opt或4-opt邻域内执行随机跳跃。(iii)初始种群的产生采用了张维庆的贪婪构造性启发式算法和3-opt局部搜索算法。在TSPLIB实例上的计算实验表明，该算法对非对称旅行商问题的求解效果优于其他著名的模因算法.
2017-12-19 cs.NE
Large Scale Global Optimization Algorithms for IoT Networks: A Comparative Study
物联网（IoT）的出现通过扩展当前的互联网服务并实现机器对机器的通信而带来了通信技术的新时代。物联网的大规模部署将产生最佳功率分配的问题。优化问题的目标是获得一个可行的解决方案，最大限度地减少了无线传感器网络的总功耗，在融合中心的错误概率满足一定的标准。本文研究了无线传感器网络在高维空间中的优化问题，重点研究了分布式检测的功率分配问题。更具体地说，我们应用和比较四种算法，旨在解决大规模全局优化（LGSO）问题。这些算法分别是模因线性种群规模缩减和半参数自适应算法（MLSHADE-SPA）、基于贡献的协同进化递归差分分组算法（CBCC-RDG 3）、谱聚类差分分组差分进化协同进化算法（DGSC-DECC）和增强自适应差分进化算法（EADE）。据作者所知，这是LGSO算法首次应用于物联网网络中的最优功率分配问题。我们评估算法的性能，在几种不同的情况下，将它们应用在300，600和800维的情况下。
2021-02-22 cs.NE
On-line Search History-assisted Restart Strategy for Covariance Matrix Adaptation Evolution Strategy
重启策略有助于协方差矩阵自适应演化策略（CMA-ES）提高寻优过程中找到全局最优解的概率，但单次运行的CMA-ES容易陷入局部最优解。在本文中，连续的非重访遗传算法（cNrGA）被用来帮助CMA-ES实现从不同的子区域的搜索空间的多次重新启动。提出了一种基于在线搜索历史辅助重启策略的CMA-ES（HR-CMA-ES）。cNrGA的整个在线搜索历史存储在二进制空间划分（BSP）树中，这对于执行局部搜索是有效的。频繁采样的子区域由BSP树中的深位置反映。当叶节点位于比阈值更深时，对应的子区域被认为是感兴趣区域（ROI）。在HR-CMA-ES中，cNrGA负责全局探索并为CMA-ES建议ROI，以在ROI内或周围执行利用。CMA-ES在每个建议的ROI中独立重启。cNrGA的非重访机制避免了第二次建议相同的ROI。在CEC 2013和2017基准套件上的实验结果表明，HR-CMA-ES的性能优于CMA-ES和cNrGA。一个积极的协同作用，观察两个算法的模因合作。
2019-03-16 cs.NE
Improved Onlooker Bee Phase in Artificial Bee Colony Algorithm
人工蜂群算法是一种能够解决非线性、多方面问题的优化策略。它是一种比较直接的现代的基于种群的概率综合优化方法。在静脉的其他人口为基础的算法，ABC此外是计算一流的，由于其缓慢的性质的搜索过程。ABC的解探索方程受任意量的广泛影响，这有助于以开发更好的搜索空间为代价进行探索。在ABC法的解探索方程中，由于步长过大，跳过实际解的机会很大。因此，本文在模因算法的启发下，采用局部搜索策略对蜂群相位进行改进，以平衡ABC算法的多样性和收敛能力。该算法被命名为改进的旁观者蜜蜂相位ABC（IoABC）。它是测试超过12个著名的无偏测试问题的不同复杂性和两个工程优化问题，结果表明，预期的算法去一个更好的基本ABC和它最近的偏差在一个良好的数量的实验。
2014-07-22 cs.NE
An effective hybrid search algorithm for the multiple traveling repairman problem with profits
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of Science and Technology of China（中国科学技术大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）
针对带利润多旅行修理工问题，提出基于模因算法框架的混合搜索算法，含专用弧交叉和快速邻域评估技术，在470个基准实例上表现优于主流算法，刷新大量最优记录。
2021-11-09 cs.AI cs.NE
Applying Evolutionary Algorithms Successfully: A Guide Gained from Real-world Applications
一般而言，元算法（MH）和进化算法（EA）是成功优化困难问题的众所周知的工具。但是，什么时候他们的应用程序是有意义的，以及如何处理这样一个项目作为一个新手？如何避免初学者的错误，或者如何尽可能有效地使用元启发式搜索的设计可能性？本文基于进化算法GLEAM及其模因扩展HyGLEAM近30年的研究和应用，试图回答这些问题。这里收集和讨论的大多数经验也可以应用于其他元算法，如蚂蚁算法或粒子群优化。本文针对具有一般MH基本知识的用户，特别是想要将其应用于优化项目的EA。为此目的，在这样一个项目的过程中出现的一些问题得到解决。最后，讨论了一些非技术性的项目管理问题，其重要性往往被低估的项目成功。
2021-07-23 cs.NE
Niching-based Evolutionary Diversity Optimization for the Traveling Salesperson Problem
在这项工作中，我们考虑的问题，找到一组旅游的旅行推销员问题（TSP）的实例最大限度地提高多样性，同时满足给定的成本约束。本研究旨在探讨小生境应用的有效性，以最大限度地提高多样性，而不是简单地维持it. To为此，我们介绍了一个2阶段的方法，其中一个简单的小生境模因算法（NMA），来自国家的最先进的多解TSP，与基线多样化算法相结合。建议的NMA最显着的特点是使用随机改进的本地搜索，而不是2-op. TSPLIB实例我们的实验表明，虽然我们的NMA进化的人口往往包含集群在严格的质量限制，他们经常占据遥远的盆地的吸引力，而不是附近的地区，提高基线多样化的总和多样性。与原来的NMA相比，我们的，尽管它的简单，发现更远的解决方案，更高的质量在更短的运行时间内，由一个很大的利润。
2022-04-19 cs.NE
Multi-Strategy Coevolving Aging Particle Optimization
提出了一种基于种群的多策略协同进化老化粒子算法（MS-CAP）。以模因的方式，MS-CAP将两个组件与互补的算法逻辑相结合。在第一阶段，每个粒子沿着每个维度独立地扰动，半径逐渐缩小（衰减），并以越来越大的力吸引到当前的最佳解。在第二阶段，粒子的变异和重组根据一个多策略的方法在差分进化的突变策略的集合的方式。该算法进行了测试，在不同的维度上，在演化计算2010年和2013年的大会上提出的两个完整的黑盒优化基准。为了证明该方法的适用性，我们还测试MS-CAP训练前馈神经网络建模的8连杆机器人机械手的运动学。数值结果表明，MS-CAP，在这项研究中考虑的设置，往往优于国家的最先进的优化算法上的一大组问题，从而导致在一个强大的和通用的优化。
2018-10-11 cs.NE
Graph based adaptive evolutionary algorithm for continuous optimization
目前广泛使用的进化算法的最大缺点是由于种群多样性在世代间的丧失而导致的过早收敛。为了克服这个问题，已经提出了几种算法，例如基于图的进化算法（GEA）\cite{1}，其使用图来对种群的结构进行建模，而且还设计了模因或差分进化算法\cite{2,3}或基于多样性的算法\cite{4,5}。这些算法都是基于多种群的，或者说往往侧重于自调整参数，然而，他们变得复杂，因为他们的大量参数调整。在本文中，我们的方法包括一个进化算法，它允许一个动态适应的搜索算子的基础上的图，以限制多样性的损失，降低设计的复杂性。
2019-08-05 cs.DC cs.NE
Solving integer multi-objective optimization problems using TOPSIS, Differential Evolution and Tabu Search
本文提出了一种求解非线性整数多目标优化问题的方法。首先，该问题是制定使用的技术顺序偏好的相似理想解（TOPSIS）。其次，采用差分进化算法的三个版本（标准差分进化算法、最佳差分进化算法和差分进化算法）作为优化器。由于DE算法得到的解是连续的，因此在优化过程中采用禁忌搜索（TS）算法来寻找整数解。实验结果表明了该方法的有效性。
2022-04-05 cs.NE
Call-Center Staff Scheduling Considering Performance Evolution under Emotional Stress
本文针对情绪压力影响员工绩效的呼叫中心排班问题，构建情绪压力驱动的绩效演化模型与长短期结合排班优化问题，并提出深度强化学习辅助的 memetic 算法，在真实银行实例上验证了性能优势。
2025-10-18 cs.NE
Artificial Neural Networks, Symmetries and Differential Evolution
神经进化是一个活跃和不断增长的研究领域，特别是在越来越多的并行计算架构的时代。人工神经网络（ANN）的学习方法可以分为两类。神经进化主要基于蒙特卡罗技术，属于全局搜索方法，而其他方法，如反向传播属于局部搜索方法。人工神经网络包括重要的对称性，这可能会影响蒙特卡罗方法。另一方面，局部搜索方法通常不受这些对称性的影响。在文献中，处理对称性通常被报道为是无效的，甚至产生劣质的结果。在本文中，我们介绍了所谓的最小全球最佳邻近原则来自理论上考虑有效的对称性破缺，适用于离线监督学习。使用差分进化（DE），这是一种流行的和强大的进化全局优化方法，我们的实验表明显着的全局搜索效率的改善对称性破缺。
2011-04-08 cs.NE
DE-2LS: Differential Evolution with Late-Stage local-search for Unconstrained Single-Objective Numerical Optimization
National University of Singapore（新加坡国立大学）
提出DE-2LS框架，通过平滑的剥削偏向分支率更新和受保护的坐标模式局部搜索增强RDEx，在无约束单目标优化中平衡全局探索与后期开发，U-score提升11.45%，总体U-score超越对比算法34.43%。
2026-06-29 cs.NE
DE-2LS: Differential Evolution with Lightweight Late Local Search for Constrained Numerical Optimization
National University of Singapore（新加坡国立大学）
提出DE-2LS算法，在RDEx框架中融入轻量级坐标模式局部搜索，仅在后期激活，通过可行性感知比较规则在固定评估预算下平衡可行性、收敛性和效率，U-score提升5.58%。
2026-06-29 cs.NE
An Adaptive Population Size Differential Evolution with Novel Mutation Strategy for Constrained Optimization
差分进化算法在求解约束优化问题时具有较强的性能，其目标是在不违反约束的情况下搜索全局最优解。一般而言，研究者更多的是关注如何避免违反约束条件，而不是更好的目标函数值。为达到精确搜索可行解的目的，提出了自适应种群规模方法和自适应变异策略。自适应种群算法类似于一个状态开关，根据可行解搜索的情况来控制探索状态和开发状态。通过自适应种群规模，设计了一种新的变异策略，增强了状态切换的效果，减少了约束违反。此外，该算法采用了基于多种群竞争的机制和更精确的约束控制方法。提出的差分进化算法，APDE-NS，从CEC 2017约束实参数优化的基准问题进行评估。实验结果表明，该方法的有效性是竞争力相比，其他国家的最先进的算法。
2018-05-11 cs.NE
Differential evolution variants for Searching D- and A-optimal designs
最优实验设计是统计学的一个重要分支，它最大限度地提高了实验成功的机会。D-和A-最优设计是最优设计领域中一个非常具有挑战性的问题，即最小化逆Fisher信息矩阵的行列式和迹。传统的进化算法由于其灵活性和易于实现的特点，在处理小部分实验优化设计问题时无需进行数学推导和假设。然而，目前的进化算法仍然存在的问题，确定支持点的数量，处理不可行的重量解决方案，和不充分的实验。为了解决上述问题，本文研究了差分进化（DE）变体，用于在几种不同的统计模型上找到D-和A-最优设计。提出了一种基于欧氏距离的支持点修复操作，通过将相似的支持点与其对应的权值相结合，删除权值较小的支持点，自动确定支持点。此外，修复操作将不可行权重解固定为可行权重解。为了丰富我们的最优设计实验，我们利用提出的DE变量来测试12个统计模型上的D-和A-最优设计问题。仿真实验表明，与其他竞争算法相比，LSHADE在D-和A-最优设计问题上具有更好的性能。
2022-08-24 cs.NE
A Cluster-Based Opposition Differential Evolution Algorithm Boosted by a Local Search for ECG Signal Classification
针对ECG信号分类中MLP梯度训练易陷入局部最优的问题，提出结合聚类策略、反向学习和局部搜索的改进DE算法训练MLP，衍生出六种训练算法，实验证明其性能优于传统训练算法。
2023-10-06 cs.NE
Differential Evolution for Neural Architecture Search
University of Freiburg（弗莱堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）
神经体系结构搜索（NAS）方法依赖于用于决定接下来评估哪些体系结构的搜索策略和用于评估它们的性能的性能估计策略（例如，使用完全评估、多保真度评估或一次性模型）。在本文中，我们集中在搜索策略。我们介绍了简单而强大的进化算法的差异进化的NAS社区。使用最简单的性能评估策略的全面评估，我们全面比较了这种搜索策略，正则化的进化和贝叶斯优化，并证明它产生了改进的和更强大的结果为13个表格NAS基准NAS-Bench-101，NAS-Bench-1 Shot 1，NAS-Bench-201和NAS-HPO板凳。
2021-08-09 cs.LG cs.NE
Survey of Genetic and Differential Evolutionary Algorithm Approaches to Search Documents Based On Semantic Similarity
School of EECS, College of Engineering and Mines, University of North Dakota（电子工程与科学学院，工程与采矿学院，北达科塔大学）
本综述探讨了在海量数据中基于语义相似性搜索文档的挑战，重点总结了遗传算法与差分进化算法等进化计算方法在该领域的最新进展。
2025-07-15 cs.AI cs.NE
Evolutionary n-level Hypergraph Partitioning with Adaptive Coarsening
超图划分是一个NP难问题，它发生在许多计算机科学应用中，需要将大问题简化为许多较小的、计算上易处理的子问题。当前技术使用多级方法，其中在将超图压缩到预定级别之后执行初始划分。通常选择该级别来生成非常粗糙的超图，其中启发式算法快速有效。本文提出了一种新的模因算法，仍然是有效的较大的初始超图。这使得能够利用粗化过程中可能丢失的信息，并提高最终解决方案的质量。我们使用该算法提出了一个经验分析的空间可能的初始超图在其搜索能力在不同程度的粗化。我们发现，最好的结果出现在每个超图独特的粗化水平。在此基础上，我们引入了一个自适应方案，停止粗化时，在超图的信息丢失率变得非线性，并表明，这产生进一步的改善。结果表明，我们已经确定了一个有价值的作用，进化算法在当前国家的最先进的超图划分框架。
2019-02-10 cs.DC cs.NE
Optimisation of Air-Ground Swarm Teaming for Target Search, using Differential Evolution
本文提出了一个群体组队的角度来看，提高了生存网络的经典调查的范围。一个目标搜索通用上下文被认为是测试床，其中一群地面代理和一群无人机合作，使地面代理达到尽可能多的目标，同时也保持尽可能多的连接在任何时候。为了同时优化这两个目标的系统，我们使用一个演化计算的方法，在差分进化算法的形式。结果是令人鼓舞的，显示出良好的进化的适应度函数作为差分进化的一部分，和一个良好的性能的进化的双群系统，它表现出最佳的目标到达和连接之间的权衡。
2019-09-13 cs.MA cs.NE
Combining Monte-Carlo and Hyper-heuristic methods for the Multi-mode Resource-constrained Multi-project Scheduling Problem
University of Nottingham（诺丁汉大学）；University of Essex（埃塞克斯大学）
多模式资源和优先约束的项目调度是一个著名的具有挑战性的现实世界的优化问题。该问题的一个重要变体要求在考虑当地和全球资源的可用性的同时，考虑一系列约束条件，为多个项目安排活动。本文所述基准的一个关键方面是，主要目标是最大限度地减少项目完成时间的总和，通常的完工时间最小化作为次要目标。我们观察到，这将导致一个预期的不同的整体结构的良好的解决方案，并讨论这对算法设计的影响。本文提出了一个精心设计的混合蒙特卡罗树搜索，新颖的邻域移动，模因算法，超探试法。该实现还被设计为提高执行迭代的速度，并利用多核机器的计算能力。经验评估表明，所得到的信息共享多组件算法显着优于其他求解器上的一组“隐藏”的情况下，即实例不可用的算法设计阶段。
2016-09-08 cs.AI cs.DS cs.NE
Protein Folding Optimization using Differential Evolution Extended with Local Search and Component Reinitialization
Faculty of Electrical Engineering and Computer Science, University of Maribor（马里博尔大学电气与计算机科学学院）
提出了一种新的差分进化算法，并将其应用于三维AB非格点模型的蛋白质折叠优化问题。该算法包括两个新的机制。局部搜索用于提高收敛速度和降低能量计算的运行时复杂度。为此，在局部搜索中引入局部移动。所设计的进化算法收敛速度快，当陷入局部最优或找到一个相对较好的解时，很难找到一个更好的相似解。类似的解决方案与好的解决方案仅在几个组成部分上不同。设计了一种构件重新初始化方法来解决这一问题。新的机制和提出的算法进行了分析，在文献中经常使用的著名的氨基酸序列。实验结果表明，所采用的新机制提高了我们的算法的效率，所提出的算法是优于其他国家的最先进的算法。在$10^{11}$溶液评价的预算范围内，对于多达18个单体的序列，其命中率为100%。新的最知名的解决方案，获得了大多数的序列。本文还证明了对称最佳已知解的存在性。
2018-05-06 cs.AI cs.NE q-bio.BM
