Average Convergence Rate of Evolutionary Algorithms II: Continuous Optimization
平均收敛速度(ACR)衡量进化算法的近似误差在每一代收敛到零的速度。它被定义为连续几代近似误差减少率的几何平均值。本文对连续优化中的ACR进行了理论分析。所得结果总结如下。根据极限性质,ACR被分为两类:(1)线性ACR的极限下限值大于一个积极的和(2)次线性ACR的值收敛到零。然后证明了进化规划采用正向自适应变异时的ACR是线性的,而采用零向不变变异或零向自适应变异时的ACR是次线性的。ACR与决策空间维度之间的关系也被分类为两类:(1)多项式ACR,其值大于任何代的维度的多项式函数的倒数,以及(2)指数ACR,其值小于指数长周期的维度的指数函数的倒数。证明了对于线性函数等简单问题,(1+1)自适应随机单变量搜索的ACR是多项式的。但对于欺骗函数等硬函数,(1+1)自适应随机单变量搜索和进化规划的ACR都是指数的。
2021-07-10 cs.NE
Two-Archive Evolutionary Algorithm for Constrained Multi-Objective Optimization
在求解约束多目标优化问题时,一个重要的问题是如何同时兼顾收敛性、多样性和可行性。为了解决这个问题,本文提出了一种无参数约束处理技术,双存档进化算法,约束多目标优化。它同时维持两个共同进化的种群:一个是收敛档案,是将种群推向Pareto前沿的驱动力;另一个是多样性档案,主要是维持种群的多样性。特别是,为了补充收敛档案的行为并提供尽可能多的多样化信息,多样性档案旨在探索收敛档案未充分利用的领域,包括不可行的区域。为了利用这两个档案的互补效应,我们开发了一个限制性交配选择机制,自适应地选择合适的交配父母从他们根据自己的进化状态。一系列基准问题的综合实验和一个真实世界的案例研究充分证明了我们提出的算法的竞争力,比较五个国家的最先进的约束进化多目标优化。
2017-11-21 cs.NE
A New Many-Objective Evolutionary Algorithm Based on Determinantal Point Processes
为了处理不同类型的多目标优化问题(MaOP),多目标进化算法(MaOEAs)需要在高维目标空间中同时保持收敛性和种群多样性。为了平衡多样性和收敛性之间的关系,我们引入了一个核矩阵和概率模型称为决定点过程(DPP)。提出了一种基于确定性点过程的多目标进化算法(MaOEADPPs),并与现有的几种基于不同类型MaOPs的进化算法\textcolor{blue}{with different numbers of objectives}进行了比较。实验结果表明,MaOEADPPs具有较强的竞争力。
2020-12-15 cs.NE
Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization
针对约束多目标优化中进化算法收敛慢的问题,提出通过定制提示工程微调LLM并将其作为搜索算子生成优质解,实验表明可显著提升收敛速度且性能优于前沿进化算法。
2024-05-09 cs.NE
Evolutionary Landscape and Management of Population Diversity
进化算法(EA)的搜索能力取决于种群中个体之间的变化[3,4,8]。保持EA人口的多样性的最佳水平是必不可少的,以确保EA搜索的进展是不受过早收敛到次优解。更清楚地理解种群多样性的概念,特别是在进化搜索和早熟收敛的背景下,是设计高效进化算法的关键。为此,本文首先对EA种群多样性问题进行了简要分析。接下来,我们提出了一个反小生境EA技术的调查[4],引入和保持建设性的多样性的人口。所提出的方法使用知情的遗传操作,以达到有前途的,但未开发或开发不足的领域的搜索空间,同时阻止过早的局部收敛。一套标准的基准测试函数与遗传算法(GA)的实现进行了仿真运行显示出良好的效果。
2015-10-24 cs.NE
Diversity Handling In Evolutionary Landscape
进化算法的搜索能力取决于种群中个体间的变异程度。保持EA人口的多样性的最佳水平是必不可少的,以确保EA搜索的进展是不受过早收敛到次优解。更清楚地理解种群多样性的概念,特别是在进化搜索和早熟收敛的背景下,是设计高效进化算法的关键。为此,本文首先对EA种群多样性问题进行了全面的分析。接下来,我们提出了一个反小生境EA技术,介绍和维护建设性的多样性人口的调查。所提出的方法使用知情的遗传操作,以达到有前途的,但未开发或开发不足的领域的搜索空间,同时阻止过早的局部收敛。用遗传算法(GA)对一些标准的基准测试函数进行了仿真,取得了令人满意的结果。
2014-11-15 cs.NE
Theoretical Perspective of Convergence Complexity of Evolutionary Algorithms Adopting Optimal Mixing
最优混合进化算法(OMEAs)以其鲁棒性强、所需种群规模小、函数求值次数少等优点受到广泛关注。本文通过研究OMEA中的变异算子最优混合(OM)的机理,研究了OMEA在单层和双层掩模下的性能和行为。对于单层掩模的情况,所需的人口规模是从初始供应的角度来推导,而收敛时间是通过分析子解生长的进展。然后,通过估计执行评估的概率,NFE是渐近有界的理性概率。对于双层口罩的情况下,经验结果表明,所需的人口规模是成正比的交叉竞争的程度和结果从一层口罩的情况下。导出的模型还表明,人口规模决定于初始供应时,采用不相交的面具,高选择压力施加的OM使子问题的组成对NFE的影响很小,和人口规模的要求,两层面具的反向增长概率增加。
2018-07-24 cs.NE
From Mean-Field Limits to Semiclassical Concentration: Global Convergence of the Canonical Evolutionary Strategy
Inria Chile Research Center(Inria智利研究中心);Departamento de Ingeniería Matemática, Universidad de Chile(智利大学数学工程系)
本文通过将规范进化策略建模为受控数学框架,利用薛定谔型复制子-突变子方程的半经典极限,从离散个体动力学到确定性平均场极限建立严格层级,证明全局收敛性由主算子的主特征函数决定,从而为“最平坦者生存”现象提供数学解释,并展示其在高维移位初始化场景中的优势。
2026-05-19 cs.LG cs.NE math.DS
Evolutionary algorithms
本手稿包含作者阅读的讲座课程“进化算法”的大纲。本课程涵盖了经典遗传算法和其他各种遗传算法,以及进化策略,遗传编程,禁忌搜索和一般的进化算法。对交叉算子的旋转性、模式定理、遗传算法的局部搜索性能以及进化算法的“几乎必然”收敛性等问题给出了完整的证明。文本是俄语的。
2022-03-30 cs.NE
Structured mutation inspired by evolutionary theory enriches population performance and diversity
提出受易化变异理论启发的结构化变异FM及结合交叉的FMX,用于进化图像分类神经网络优化器,显著提升准确率、适应度与行为多样性并降低评估成本。
2023-07-12 cs.NE
A Globally Convergent Evolutionary Strategy for Stochastic Constrained Optimization with Applications to Reinforcement Learning
Polytechnique Montréal(蒙特利尔综合理工学院);University of Basel(巴塞尔大学);Johannes Kepler University Linz(林茨约翰·开普勒大学)
进化策略最近被证明可以在强化学习中实现复杂优化问题的性能竞争水平。在这样的问题中,人们经常需要优化一个受一组约束的目标函数,包括例如对策略熵的约束,或者限制代理可访问的可能的动作或状态集。然而,文献中缺乏优化随机约束问题的进化策略的收敛保证。在这项工作中,我们解决这个问题,通过设计一种新的优化算法,有足够的减少机制,确保收敛,这是只基于估计的功能。我们证明了该算法对两种类型的实验的适用性:i)最大化奖励的控制任务和ii)最大化奖励受一组不可放松的约束。
2022-02-21 cs.LG cs.NE math.OC
Recorded Step Directional Mutation for Faster Convergence
Aptex Software(Aptex软件公司)
本文描述的两种元进化优化策略加速了进化规划算法的收敛,同时仍然保留了它们处理多模态问题的能力。这两种策略分别称为定向变异和记录步,它们可以独立操作,但结合在一起可以极大地提高进化规划算法处理以狭长谷为特征的适应度景观的能力。该组合方法的定向突变方面使用相关元突变,但不引入完整的协方差矩阵。因此,这些新方法在高维问题的存储方面更加经济。此外,方向突变是旋转不变的,这是相对于自适应方法的实质性优势,自适应方法针对问题的自然取向不沿轴取向的问题使用每个坐标的单个方差。
2009-03-26 cs.LG cs.NE
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
The Cone epsilon-Dominance: An Approach for Evolutionary Multiobjective Optimization
我们提出了锥ε-优势的方法,以提高多目标进化算法(MOEAs)的收敛性和多样性。一个锥eps-MOEA提出和比较MOEA的基础上的标准帕累托关系(NSGA-II,NSGA-II*,SPEA 2,和一个集群NSGA-II)和ε-显性(eps-MOEA)。比较是在计算复杂性和四个性能指标方面进行的,这些指标被选择来量化每个算法获得的最终结果的质量:收敛性、多样性、超体积和许多集合度量的覆盖。实验部分考虑了十六个著名的基准问题,包括ZDT和DTLZ族。为了评估算法之间可能存在的差异,对四个性能指标进行了精心设计的实验。所获得的结果表明,锥eps-MOEA是能够提出一个有效的和平衡的性能在所有的性能指标考虑。这些结果有力地支持了这样的结论,即锥eps MOEA是一种有竞争力的方法,用于获得帕累托前沿的收敛性和多样性之间的有效平衡,因此代表了一个有用的工具,用于解决多目标优化问题。
2020-07-14 cs.NE
A new dual-population constrained multi-objective evolutionary optimization algorithm with repair constraint handling for structural optimization
The University of British Columbia(不列颠哥伦比亚大学)
针对结构优化问题收敛难、计算成本高的挑战,提出双种群约束多目标进化算法DPCME,通过种群交互和基于修复的约束处理技术,在多个工程问题测试中展现出优越或有竞争力的收敛性与多样性。
2026-07-15 cs.NE
Solving Linear Equations Using a Jacobi Based Time-Variant Adaptive Hybrid Evolutionary Algorithm
对于大型线性方程组,特别是稀疏的、结构化的系数(矩阵)方程组,用经典方法求解变得困难。进化算法主要用于解决各种优化和学习问题。近年来,经典方法(Jacobi方法和Gauss-Seidel方法)与演化计算技术的混合已经成功地应用于线性方程的求解。在上述两种混合进化方法中,均采用均匀自适应技术来自适应松弛因子。提出了一种新的基于Jacobi的时变自适应混合进化算法。在该算法中,一个时变自适应(TVA)技术的松弛因子被引入,旨在改善精细的局部调整和减少的缺点,均匀的松弛因子的适应。该算法将基于Jacobi的SR方法与时变自适应进化算法相结合。从理论上证明了算法的收敛性定理。并在实验域内将该算法与JBUA混合进化算法和经典算法进行了性能比较。该算法在收敛速度和有效性方面均优于JBUA混合算法和经典方法。
2013-04-13 cs.NE
Evolutionary Discovery of Sequence Acceleration Methods for Slab Geometry Neutron Transport
Gateway Scripts;University of Arizona(亚利桑那大学);Varian Medical Systems(瓦里安医疗系统);Washington University in St. Louis(圣路易斯华盛顿大学)
本文通过遗传编程自动发现适用于 slab 几何中子输运问题的收敛加速方法,提出了一种包含二阶差分和交叉乘积项的新型加速器,其收敛性提升效果显著。
2025-12-31 cs.NE
IGD Indicator-based Evolutionary Algorithm for Many-objective Optimization Problems
逆世代距离(IGD)已被广泛认为是一个可靠的性能指标,同时量化的收敛性和多样性的多目标和多目标进化算法。提出了一种基于IGD指标的多目标优化进化算法。具体地说,IGD指标是在每一代选择具有良好的收敛性和多样性的解决方案。此外,一个计算效率的优势比较方法的目的是分配的解决方案的秩值以及三个新提出的邻近距离分配。基于这两种设计,通过线性分配机制从全局角度选择解,同时兼顾收敛性和多样性。为了便于IGD指标计算的采样参考点的准确性,我们还提出了一种有效的基于分解的最低点估计方法来构建乌托邦帕累托前沿,这被认为是最好的近似帕累托前沿的现实世界的MaOP在早期的演变阶段。为了评估性能,一系列的实验上所提出的算法对一组选定的国家的最先进的多目标优化算法的优化问题与$8$ -,$15$ -,和$20$ -目标。实验结果表明,所提出的算法是非常有竞争力的解决MaOP的性能指标。
2018-02-24 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
A Generalized Hybrid Real-Coded Quantum Evolutionary Algorithm Based on Particle Swarm Theory with Arithmetic Crossover
本文提出了一种用于复杂函数优化和组合优化的广义混合实数编码量子进化算法(HRCQEA)。HRCQEA的主要思想是设计一种新的变异和交叉算子。利用粒子群算法的进化方程,设计了一种单-多基因变异算法,并在新的交叉算子中引入了算术交叉的概念。在HRCQEA算法中,每个三倍体染色体代表一个粒子,粒子的位置通过SMM和量子旋转门(QRG)进行更新,可以在探索和利用之间取得平衡。该算法采用交叉算子扩展搜索空间,采用爬山选择和精英策略加快收敛速度。对背包问题和5个高维复杂函数的仿真结果表明,HRCQEA算法在发现全局最优解的能力和收敛速度方面具有较好的性能。
2013-03-06 cs.NE
Accelerating the Evolutionary Algorithms by Gaussian Process Regression with $ε$-greedy acquisition function
在本文中,我们提出了一种新的方法来估计精英个体,以加速优化的收敛。受贝叶斯优化算法(BOA)的启发,采用高斯过程回归(GPR)对每一代优化结果进行拟合。在代理模型中,采用简单而有效的$ε$ -贪婪获取函数寻找最优解.邻近最优原则(POP)指出,表现良好的解决方案具有相似的结构,并且在精英个体周围存在更好的解决方案的概率很高。基于这一假设,在每一代优化中,我们用精英个体代替进化算法中的最差个体参与进化过程。为了说明我们的建议的可扩展性,我们将我们的建议与遗传算法(GA),差分进化(DE),和CMA-ES。在CEC 2013基准函数上的实验结果表明,该算法在估计精英个体和加速优化收敛方面具有广阔的应用前景。
2022-10-13 cs.NE
Quality and Diversity in Evolutionary Modular Robotics
University of Oslo(奥斯陆大学)
在进化机器人学中,解决方案的群体被进化以优化解决给定任务的机器人。然而,在传统的进化算法中,当问题很复杂或搜索空间很大时,解的种群往往会收敛到局部最优,这就是所谓的早熟收敛问题。质量多样性算法试图通过引入额外的措施来克服过早收敛,这些措施奖励不同的解决方案,而不一定表现得更好。在本文中,我们比较了一个单目标进化算法与两个多样性促进搜索算法;多目标进化算法和MAP-Elites质量多样性算法,在模块化机器人进化控制和形态学的困难问题。我们比较他们的能力,以产生高性能的解决方案,除了分析进化形态的多样性。结果表明,这三种搜索算法都能够进化出高性能的个体。然而,质量多样性算法更擅长于用高性能解决方案填充所有小生境。这证实了质量多样性算法非常适合于不断发展的模块化机器人,并且可以成为生成高性能解决方案的重要手段,这些解决方案可以在设计和运行时使用。
2020-08-05 cs.NE cs.RO
Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation
多目标优化问题在现实世界的科学、工程和设计优化问题中普遍存在。目标函数是一个黑箱的情况并不少见,其评估通常涉及耗时和/或昂贵的物理实验。数据驱动的进化优化可以用来搜索一组非支配的折衷解决方案,昂贵的目标函数近似为一个代理模型。在本文中,我们提出了一个框架,实现批量数据驱动的进化多目标优化。它是如此普遍,任何现成的进化多目标优化算法可以应用在一个插件的方式。特别是,它有两个独特的组成部分:1)基于Karush-Kuhn-Tucker条件,流形插值方法,探索更多样化的解决方案,并沿着近似帕累托最优集的流形保证收敛; 2)批量推荐方法,通过并行评估多个样本来减少优化过程的计算时间。在136个具有不规则Pareto最优前沿形状的基准测试问题实例上对6个最先进的代理辅助EMO算法进行了实验,充分证明了该框架的有效性和优越性。特别是,我们提出的框架具有更快的收敛速度和更强的弹性,各种PF形状。
2021-09-12 cs.NE
ATM-R: An Adaptive Tradeoff Model with Reference Points for Constrained Multiobjective Evolutionary Optimization
Central South University(中南大学);Hunan University(湖南大学);South China University of Technology(华南理工大学)
约束多目标进化优化的目标是获得一组收敛性好且分布均匀的可行解。为了实现这一目标,应该在可行性、多样性和收敛性之间进行权衡。然而,这是不平凡的平衡这三个元素同时使用一个单一的权衡模型,因为每个元素的重要性在不同的进化阶段。作为替代方案,我们适应不同的权衡模型在不同的阶段,并提出了一种新的算法称为ATM-R。在不可行阶段,ATM-R考虑多样性和可行性之间的权衡,旨在将种群从不同的搜索方向向可行区域移动。在半可行阶段,ATM-R促进了从“可行性与多样性的权衡”到“多样性与收敛性的权衡”的过渡,从而可以方便地发现足够多的可行区域,加快搜索可行Pareto最优解的速度。在可行性阶段,多样性和收敛性之间的权衡被认为是获得一组良好的收敛和良好分布的可行的解决方案。值得注意的是,参考点的优点在ATM-R中被利用来实现这些权衡模型。此外,在ATM-R,多阶段交配选择策略的发展,以产生有前途的解决方案,有利于不同的进化阶段。在广泛的基准测试函数上的系统实验表明,ATM-R是有效的和有竞争力的,与五个最先进的约束多目标优化进化算法相比。
2023-01-09 cs.AI cs.NE
Clustering-Based Evolutionary Federated Multiobjective Optimization and Learning
本文将联邦学习构建为多目标优化问题,提出基于聚类的进化算法FedMOEAC,结合量化、稀疏化与差分隐私降低开销,在准确率、通信效率与隐私间取得最优平衡。
2025-04-29 cs.NE
Novel Analysis of Population Scalability in Evolutionary Algorithms
基于种群的进化算法已被广泛应用于解决各种优化问题。基于种群的EA的性能如何取决于种群大小的问题自然出现。EA的性能可以通过不同的度量来评估,例如每代到最优集合的平均收敛速率或第一次遇到最优解的预期代数。群体可扩展性是基准EA和使用相同遗传算子但群体大小更大的另一个EA之间的性能比。虽然直观的EA的性能可能会提高,如果其人口规模的增加,目前只有几个案例研究简单的健身功能。本文旨在提供一个一般性的研究离散优化。提出了一种利用基本矩阵分析种群可扩展性的新方法。以下两个贡献总结了本文的主要结果。(1)我们严格证明,精英EA具有相同的全局突变,使用较大的人口规模总是增加收敛到最优集的平均速度;然而,有时,期望的代数需要找到一个最优的解决方案(测量的最大值或平均值)可能会增加,而不是减少。(2)我们建立了超线性可伸缩性的充分和/或必要条件,即当一个$(μ+μ)$ EA(其中$μ\ge2$)的平均收敛速度大于$μ$倍的$(1+1)$ EA。
2013-05-10 cs.NE
An Analytic Expression of Relative Approximation Error for a Class of Evolutionary Algorithms
演化计算中的一个重要问题是进化算法如何产生好的解。本文的目的是提供一个解析分析的解决方案的质量方面的相对逼近误差,这是由1之间的误差和进化算法找到的解决方案的逼近比定义。由于进化算法是迭代法,相对逼近误差是代的函数。借助于矩阵分析,可以得到这种函数的精确表达式。本文对一类进化算法,即(1+1)严格精英进化算法,给出了计算相对逼近误差的解析表达式。此外,还导出了这类进化算法每代适应值和平均收敛速度的解析表达式。该方法是有前途的,它可以扩展到非精英或基于人口的算法。
2016-11-24 cs.NE
Evolutionary optimization of spatially-distributed multi-sensors placement for indoor surveillance environments with security levels
Federal University of Rio de Janeiro, Rio de Janeiro, 21941-617, Rio de Janeiro, Brazil(里约热内卢联邦大学)
本文提出了一种基于安全级别的室内监控多传感器空间分布优化算法,通过改进的编码和初始化方法提升性能和收敛速度,有效降低了部署成本。
2025-12-24 cs.NE
A mullti- or many- objective evolutionary algorithm with global loop update
近年来,多目标进化算法,特别是基于分解的多目标进化算法得到了广泛的关注。基于分解的MOEA强调收敛性和多样性在一个简单的模型,并取得了巨大的成功,在处理理论和实际的多目标或多目标优化问题。在本文中,我们着重于基于分解的MOEA的更新策略,以及它们的比较标准。分析和讨论了基于局部更新策略的MOEA分解算法的三个缺点和现有的几个比较解的标准。提出了一种全局循环更新策略和两种混合准则。随后,一个进化算法的全局循环更新的实现和比较的几个最好的多目标或多目标优化算法在两个著名的无约束测试套件多达15个目标。实验结果表明,与采用局部更新策略的进化算法不同,该算法的种群在进化过程中不会退化,保证了种群的多样性.此外,我们的算法赢得了在大多数情况下的两个测试套件,这表明它是非常有竞争力的收敛性和多样性。我们的算法与不同的标准比较解决方案的运行结果进行了比较。它们的差异是非常显着的,表明我们的算法的性能受到它所采用的标准。
2018-01-25 cs.NE
Using Genetic Algorithm in the Evolutionary Design of Sequential Logic Circuits
进化硬件是一组基于可重构硬件系统与进化算法相结合的思想的技术。换句话说,进化硬件有两个部分;可重构硬件和进化算法,其中配置是在进化算法的控制下。本文提出了一种同步时序电路的设计与优化方法。采用遗传算法作为进化算法。在这种方法中,每个DFF的输入组合逻辑电路和输出组合逻辑电路均采用单元阵列。结果表明,该方法通过限制搜索空间,可以减少平均生成次数。
2011-10-05 cs.NE
Average Drift Analysis and Population Scalability
研究了种群规模对进化算法计算时间的影响。进化算法的计算时间可以通过期望的代数(命中时间)或期望的适应度评估数(运行时间)来衡量,以找到最优解。群体可伸缩性是基准算法和使用较大群体大小的算法之间的预期命中时间的比率。平均漂移分析,比较两种算法的预期命中时间和估计人口可扩展性的上下界。几个直观的信念进行了严格的分析。证明了:(1)使用种群有时会增加而不是减少期望命中时间;(2)使用种群不能缩短单峰函数上的任何精英进化算法的期望运行时间,但在基于距离的适应度景观下,这是不正确的;(3)在完全欺骗函数上,使用种群并不总是能减少期望运行时间,这取决于使用精英选择或随机选择的基准算法。
2016-06-14 cs.NE
An Evolutionary Algorithm with Probabilistic Annealing for Large-scale Sparse Multi-objective Optimization
Anhui University(安徽大学);Sapient Intelligence, Singapore(新加坡赛普智能)
本文提出一种具有概率退火的进化算法,用于解决大规模稀疏多目标优化问题,通过动态平衡探索与开发提升收敛性和多样性。
2026-03-12 cs.NE
Towards Self-adaptive Mutation in Evolutionary Multi-Objective Algorithms
该研究针对多目标进化算法自适应变异机制研究不足的问题,借鉴单目标优化的自适应变异技术提出新型自适应变异GSEMO,经多基准问题测试验证其收敛性能优于静态变异版本,完善了相关基准研究与理论分析。
2023-05-08 cs.NE
Clustering-based Transfer Learning for Dynamic Multimodal MultiObjective Evolutionary Algorithm
School of Automation and Electrical Engineering, Zhongyuan University of Technology(中原文理大学自动化与电气工程学院);School of Electrical Engineering, Zhengzhou University(郑州大学电气工程学院)
本文提出基于聚类的自编码器预测机制,用于动态多模态多目标优化,通过构建基准测试函数和自适应尼奇策略,提升种群多样性和收敛性。
2025-12-22 cs.AI 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
Computing trading strategies based on financial sentiment data using evolutionary optimization
在本文中,我们应用进化优化技术来计算最优的基于规则的交易策略的基础上,金融情绪数据。情绪数据是从社交媒体服务StockTwits中提取的,以适应在线交易社区对某些股票的看涨或看跌程度。所有股票从道琼斯工业平均指数(DJIA)指数的数值结果和经典的风险回报投资组合选择的比较。
2015-04-12 cs.NE q-fin.PM
On Scalability of Multi-Objective Evolutionary Algorithms on Combinatorial Optimisation Problems
University of Birmingham(伯明翰大学)
本文研究了多目标进化算法在组合优化问题中的可扩展性,发现SEMO在大规模问题中收敛速度下降,缺乏交叉操作是其性能下降的主要原因。
2026-04-20 cs.NE
On Self-Adaptive Mutation Restarts for Evolutionary Robotics with Real Rotorcraft
CSIRO(澳大利亚联邦科学与工业研究组织)
自适应参数越来越多地用于进化机器人领域,因为它们允许关键的进化速率在整个优化过程中以上下文敏感的方式自主变化。自适应突变的一个重要限制是,速率可以设置不利,这阻碍了收敛。速率重启通常被用来解决这个问题,但到目前为止,它只应用于进化机器人中的纯变异算法。本文重点研究了进化率重启在多个进化算子的种群算法中的应用水平。在一个真实的hexacopter悬停任务测试后,我们得出结论,个人层面的重新启动结果在更高的适应度的解决方案没有健身停滞,人口重新启动提供了一个更稳定的速率进化。如果不重新启动,实验可能会陷入次优控制器/速率组合,难以摆脱。
2017-04-03 cs.NE cs.RO
A Two-stage Evolutionary Framework For Multi-objective Optimization
针对进化多目标优化中种群收敛性与多样性难以平衡的问题,提出两阶段进化框架TEMOF,通过分阶段父代选择与外部存档机制提升搜索能力,实验验证其在多类问题上的优异鲁棒性能。
2024-07-09 cs.NE
Prasatul Matrix: A Direct Comparison Approach for Analyzing Evolutionary Optimization Algorithms
National Institute of Technology Silchar(西尔恰尔国家理工学院)
个体进化优化算法的性能主要是根据统计数据来衡量的,例如均值、中位数和标准差等,计算的最佳解决方案获得的算法的几个线索。为了比较两种算法的性能,比较这些统计量的值,而不是直接比较解决方案。这种比较缺乏对不同算法所得解的直接比较。例如,两个算法的最佳解(或最差解)的比较是不可能的。此外,算法的排名主要是在解决方案的质量方面,尽管算法的收敛性也是一个重要因素。本文提出了一种直接比较的方法来分析进化优化算法的性能。一个直接比较矩阵称为\emph{Prasatul Matrix}的准备,它帐户的直接比较结果的最佳解决方案获得了两个算法的特定数量的试验。基于Prasatul矩阵设计了五种不同的性能指标,以评估算法在最优性和解的可比性方面的性能。这些分数被用来开发一个分数驱动的方法,用于比较多个算法的性能,以及在解决方案的质量和收敛性分析的理由进行排名。提出的方法进行了分析与6个进化优化算法的25个基准函数。还进行了非参数统计分析,即Wilcoxon配对秩和检验,以验证所提出的直接比较方法的结果。
2022-12-01 cs.AI cs.LG cs.NE
A New Repair Operator for Multi-objective Evolutionary Algorithm in Constrained Optimization Problems
在本文中,我们设计了一组多目标约束优化问题(MCOPs),并提出了一个新的修复算子来解决它们。建议的修复操作是用来修复的解决方案,违反盒约束。更具体地说,它采用了反向校正策略,可以有效地避免陷入局部最优的人口。此外,我们将建议的修复算子到两个经典的多目标进化算法MOEA/D和NSGA-II。在基准问题CTPs和MCOPs上,将该修复算子与其他两种常用的修复算子进行了比较。实验结果表明,我们提出的方法是非常有效的收敛性和多样性。
2015-04-01 cs.NE
A Quantum-Driven Evolutionary Framework for Solving High-Dimensional Sharpe Ratio Portfolio Optimization
College of Artificial Intelligence, Nankai University(南开大学人工智能学院);Department of Electronics and Computer Science, Koszalin University of Technology(科沙林理工大学电子与计算机科学系);Hanyang University ERICA Campus(汉阳大学ERICA校区)
本文提出一种量子混合差分进化算法,通过引入动态量子隧道机制和良好点集混沌反向学习策略,提升高维投资组合优化的收敛速度和求解精度。
2026-04-03 cs.NE
A collaborative decomposition-based evolutionary algorithm integrating normal and penalty-based boundary intersection for many-objective optimization
Guangzhou University(广州大学);South China University of Technology(华南理工大学)
近年来,基于分解的进化算法在多目标优化问题中得到了广泛的应用。然而,现有的分解方法对多目标优化问题边界形状的多样性仍然十分敏感。一方面,锥分解方法,如基于惩罚的边界相交(PBI)是无法获得均匀的边界与非常凸的边界的MaOP。另一方面,包括正常边界相交(NBI)的平行分解方法的平行参考线可能会导致差的多样性,因为在具有凹边界的MaOP的边界附近的采样不足。本文首先提出了一种协同分解方法,该方法综合了并行分解和锥分解的优点,克服了各自的缺点。该方法继承了NBI型切比雪夫函数作为收敛度量,提高了PBI方法的收敛性和分布均匀性。此外,该方法还自适应调整的程度旋转NBI参考线对PBI参考线的每个子问题,以提高分布的多样性的NBI方法。在此基础上,提出了一种基于协同分解的多目标优化进化算法(CoDEA)。在CoDEA中设计了一种基于协作分解的环境选择机制,对边界层中与同一PBI参考线相关的所有个体进行排序,并选出最佳排序。在85个基准测试实例上将CoDEA与几种流行的算法进行了比较。实验结果表明,CoDEA算法在收敛性、均匀性和分布多样性之间保持了较好的平衡,具有较高的竞争力。
2022-04-14 cs.AI 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 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
Discrepancy-based Evolutionary Diversity Optimization
多样性在演化计算中起着至关重要的作用。虽然多样性主要用于防止进化算法的种群过早收敛,但近年来,使用进化算法来获得不同的解集越来越受到关注。多样性优化的基础问题的功能方面,可以获得更好的理解可能的解决方案,手头的问题,并可以用于算法选择时,处理组合优化问题,如旅行推销员问题。我们探索使用的明星差异措施,以指导多样性优化过程的进化算法。在我们的实验研究中,我们考虑我们的差异为基础的多样性优化方法,不断发展的不同的图像集,以及旅行推销员的问题的情况下,本地搜索是无法找到接近最优的解决方案。我们的实验研究比较三种多样性优化方法表明,基于差异的多样性优化方法,使用一个平局打破规则的基础上加权差异周围的特征点提供了最好的结果,在星差异措施。
2018-02-15 cs.NE
An Improved Two-Archive Evolutionary Algorithm for Constrained Multi-Objective Optimization
约束多目标优化问题(CMOPs)在现实世界的工程优化场景中普遍存在。约束多目标优化的一个关键问题是如何在收敛性、多样性和可行性之间取得平衡。近年来提出的求解约束多目标优化问题的双存档进化算法(C-TAEA)是一种新的算法。然而,由于它的两个共同进化的档案之间的合作机制的简单实现,C-TAEA是挣扎时,解决问题的\textit{pseudo}帕累托最优的前沿,它不考虑约束,占主导地位的\textit{feasible}帕累托最优的前沿。在本文中,我们提出了一个改进的版本C-TAEA,被称为C-TAEA-II,具有改进的更新机制的两个共同进化的档案和自适应交配选择机制,以促进更好的合作,共同进化的档案。实验结果表明,所提出的C-TAEA-II的竞争力相比,五个有代表性的约束进化多目标优化算法。
2021-03-10 cs.NE
Performance Evaluation of Evolutionary Algorithms for Analog Integrated Circuit Design Optimisation
本文提出一种基于演化算法的模拟电路自动尺寸调整方法,通过粒子生成与修复边界函数实现定向搜索,修改并测试了四种算法,发现修改版人工蜂群算法在收敛速度和一致性上表现最优。
2023-10-19 cs.NE cs.SY eess.SY
IEO: Intelligent Evolutionary Optimisation for Hyperparameter Tuning
Turing Intelligence Technology, UK(英国图灵智能技术公司);Nanjing University, China(中国南京大学)
超参数优化是寻找最优机器学习模型的关键过程。在最近的研究中,寻找最佳超参数设置的效率一直是一个很大的问题,因为优化过程可能是耗时的,特别是当目标函数的评估非常昂贵时。在本文中,我们介绍了一种智能进化优化算法,它适用于机器学习技术的传统进化算法,以加快整体优化过程的调整机器学习模型的分类问题。我们展示了我们的智能进化优化(IEO)在一系列的控制实验,与传统的进化优化超参数调整。实证研究表明,我们的方法平均加快了30.40%的优化速度,在最好的情况下,最高可达77.06%。
2020-09-10 cs.LG cs.NE
Optimal Synthesis of Finite State Machines with Universal Gates using Evolutionary Algorithm
University of Engineering and Technology, Peshawar(白沙瓦工程技术大学)
本研究提出一种基于笛卡尔遗传编程的有限状态机综合优化方法,旨在减少芯片面积与电路成本,在MCNC91基准电路上平均实现近30%的门数量减少,并分析了参数对进化过程的影响。
2024-01-02 cs.AI cs.NE
PAIR: A Novel Large Language Model-Guided Selection Strategy for Evolutionary Algorithms
Egypt University of Informatics(埃及信息学大学);Birmingham City University(伯明翰城市大学)
本文提出PAIR选择策略,利用大型语言模型基于遗传多样性、适应度和交叉兼容性评估个体以指导进化算法配对,实验证明其在TSP实例中显著优于LMEA基线,提升了收敛性并有效逃离局部最优。
2025-03-05 cs.LG cs.NE
Discovering Physics-Informed Neural Networks Model for Solving Partial Differential Equations through Evolutionary Computation
National Engineering Laboratory for Big Data Analysis and Applications, Peking University(北京大学大数据分析与应用国家工程实验室);School of Mathematical Sciences, Peking University(北京大学数学科学学院);PKU-Changsha Institute for Computing and Digital Economy(北京大学长沙计算与数字经济研究院)
本文提出进化计算方法自动搜索PINNs结构,同时优化层数、神经元、捷径连接和二叉树参数化激活函数,并以DPSTE策略提升模型探索效率,在多个PDE上取得更优精度、收敛性与泛化表现。
2024-05-18 cs.LG cs.NE
Antenna Optimization Using a New Evolutionary Algorithm Based on Tukey-Lambda Probability Distribution
在本文中,我们介绍了一种新的进化优化算法的基础上Tukey的对称lambda分布。图基分布由3个参数定义,即形状参数、尺度参数和位置参数或平均值。通过改变形状参数,可以近似各种其他分布,因此可以包含大量的概率分布。此外,由于这些属性,一个进化规划(EP)算法与Tukey变异操作可以在一个大类的优化问题表现良好。各种方案的EP与Tukey分布的实施进行了讨论,并将所得算法应用于选定的测试功能和天线设计问题。
2020-06-06 cs.NE eess.SP physics.app-ph
GADAM: Genetic-Evolutionary ADAM for Deep Neural Network Optimization
Florida State University(佛罗里达州立大学)
深度神经网络学习可以用公式表示为非凸优化问题。现有的优化算法,例如,Adam可以快速学习模型,但可能很容易陷入局部最优。在本文中,我们介绍了一种新的优化算法,即GADAM(遗传进化亚当)。GADAM基于多个单元模型逐代学习深度神经网络模型:用Adam训练单元模型,用遗传算法进化到新的代。我们将证明GADAM在学习过程中可以有效地跳出局部最优,获得更好的解决方案,并证明GADAM也可以实现非常快的收敛。在各种基准数据集上进行了大量的实验,学习结果将证明GADAM算法的有效性和效率。
2019-03-10 cs.LG cs.NE stat.ML