Derivation of Upper Bounds on Optimization Time of Population-Based Evolutionary Algorithm on a Function with Fitness Plateaus Using Elitism Levels Traverse Mechanism
在这篇文章中，一个工具，用于分析人口为基础的EA是用来获得渐近上界的优化时间的算法解决皇家道路问题，测试功能与高原的适应度。除此之外，人口的某个子集的极限分布近似。
2013-08-30 cs.AI cs.NE
Infrastructure Deployment in Vehicular Communication Networks Using a Parallel Multiobjective Evolutionary Algorithm
针对车载通信网络路侧基础设施选址问题，提出兼顾服务质量与成本的多目标建模方法，采用多目标进化算法求解，在马拉加真实场景实验中性能优于现有先进算法。
2025-01-17 cs.NE cs.NI
Particle Swarm Optimization with Velocity Restriction and Evolutionary Parameters Selection for Scheduling Problem
Novosibirsk State Technical University（新西伯利亚国立技术大学）
研究了粒子群优化算法在调度问题中的应用。为了提高算法的性能，实现了粒子速度约束和进化元优化。该方法采用遗传算法进行粒子群优化参数的选择。在作业车间调度问题的测试任务上进行了实验。这项研究证明了该方法的适用性，并显示了调整群体智能方法的行为参数，以实现高性能的重要性。
2020-06-19 cs.AI cs.NE
K-Bit-Swap: A New Operator For Real-Coded Evolutionary Algorithms
实数编码遗传算法（RCGA）提出了多种交叉算子，这些交叉算子将来自相同位置的值重组为成对的字符串。在这篇文章中，我们提出了一个重组算子的RC-GAs，随机选择的位置在两个父母，并比较它的主流交叉算子在一系列的标准多维优化问题和聚类问题的实验。我们提出了两种变体的运营商，无论是随机选择的字符串中均匀的两个位，或采样的第二位从一个正态分布集中在选定的位置在第一个字符串。虽然该算子偏向于利用适应度空间，但随机选择用于交换的第二位使其稍微不那么偏向于利用。广泛的统计分析，使用非参数检验显示的优势，新的重组运营商的一系列测试功能。
2016-04-22 cs.NE
Evolutionary Algorithms for Reinforcement Learning
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）；Naval Research Laboratory（美国海军研究实验室）；George Mason University（乔治梅森大学）
有两种不同的方法来解决强化学习问题，即在价值函数空间中搜索和在策略空间中搜索。时间差分方法和进化算法是这些方法的众所周知的例子。Kaelbling，Littman和Moore最近提供了一个翔实的调查时间差异的方法。这篇文章的重点是应用进化算法的强化学习问题，强调替代政策表示，信用分配方法，和特定问题的遗传算子。强化学习的进化方法的优点和缺点，以及代表性的应用调查。
2011-06-01 cs.AI cs.LG cs.NE
On the Parallels Between Evolutionary Theory and the State of AI
École Polytechnique Fédérale de Lausanne（联邦理工学院洛桑分校）
本文通过类比现代AI与20世纪进化生物学的现代综合论，提出借鉴进化发育生物学的洞见来构建AI新设计范式，以克服当前局限并实现其期望目标。
2025-05-13 cs.LG cs.NE nlin.AO
Reproducibility in Evolutionary Computation
University of Málaga（马拉加大学）；University of Warwick（华威大学）；University of Coimbra（科英布拉大学）
实验研究在演化计算（EC）中很普遍，最近对这种研究的可重复性和可复制性的关注有所增加，反映了其他科学领域的类似关注。在这篇文章中，我们讨论，在EC的背景下，不同类型的再现性，并建议一个分类，完善的徽章系统的计算机械协会（ACM）采用的ACM交易进化学习和优化（https：//dlnext.acm.org/journal/telo）。我们确定在EC领域的可重复性的文化和技术障碍。最后，我们提供了指导方针和建议的工具，可能有助于克服这些可重复性的障碍。
2021-06-29 cs.AI cs.NE math.OC
Laws in Darwinian Evolutionary Theory
本文讨论了达尔文演化动力学中的定律。虽然人们普遍认为生物学中可能存在一般规律，但反对这种说法的意见也很多。本文根据数学和生物学的最新进展，对这一问题作了另一种尝试。具体而言，三个法律，形成了一个数学框架的演化动力学在生物学的假设。第二定律是最定量的，并明确表示在一个随机微分方程的唯一形式。达尔文演化动力学的显著特征被这一定律所捕捉：进化的概率性、优势和适应性景观。在这个公式中引入了四个动力学元素：优势矩阵，横向矩阵，赖特进化潜力，和随机驱动。第一定律可被视为第二定律的特例。为讨论演化动力学提供了参考点。第三定律描述了描述的集中层次与其较低和较高层次之间的关系，并定义了确定性驱动和随机驱动的二分法。这是对生物学中等级结构的承认。本文用F-定理对Fisher自然选择基本定理作了新的解释。拟议的法律是基于在时间和人口的连续代表性。它们的通用性是通过它们与经典配方的等价性来证明的。目前的三项法律似乎为这一主题的进一步发展提供了一个连贯的框架。
2006-05-14 cond-mat.stat-mech cs.NE math.OC
Parameterless Gene-pool Optimal Mixing Evolutionary Algorithms
当涉及到以可靠和可扩展的方式用进化算法（EA）解决优化问题时，检测和利用链接信息，即，变量之间的依赖关系可能是关键。在这篇文章中，我们提出了最新版本的，并提出了大量的增强，基因池最优混合进化算法（GOMEA）：EA明确设计估计和利用连锁信息。我们首先对几个GOMEA设计选择进行大规模搜索，以了解最重要的是什么，并获得算法的一般最佳性能版本。接下来，我们介绍了一个新版本的GOMEA，称为CGOMEA，其中基于链接的变化进一步改善过滤解决方案交配的基础上的条件依赖。我们比较了我们的最新版本的GOMEA，新推出的CGOMEA，和另一个竞争的链接感知EA DSMGA-II在广泛的实验评估，涉及一组基准9黑盒问题，只能有效地解决，如果其固有的依赖结构被揭开和利用。最后，在试图使EA更有用和弹性的参数选择，我们研究了不同的自动人口管理计划的性能GOMEA和CGOMEA，事实上使EA参数。我们的研究结果表明，GOMEA和CGOMEA显着优于原来的GOMEA和DSMGA-II在大多数问题上，设置一个新的国家的艺术领域。
2021-09-11 cs.NE
Proposition of a Theoretical Model for Missing Data Imputation using Deep Learning and Evolutionary Algorithms
University of Johannesburg（约翰内斯堡大学）
在过去的几十年里，缺失数据填补领域取得了重大进展。该领域的技术包括：期望最大化，神经网络与进化算法或优化技术和K-最近邻方法来解决这个问题。数据库中缺失数据录入的存在使得决策和数据分析的任务变得重要。因此，这一领域吸引了大量的研究兴趣，其目的是产生准确，时间效率和敏感的缺失数据填补技术，特别是当时间敏感的应用程序，如发电厂和绕组过程。在这篇文章中，考虑到任意和单调的缺失数据模式，我们假设使用自编码器和去噪自编码器构建的深度神经网络结合遗传算法，群体智能和最大似然估计方法作为新的数据插补技术，将导致比现有技术更好的插补值。还考虑了随机缺失、完全随机缺失和非随机缺失数据机制。我们还打算将模糊逻辑与深度神经网络结合使用来执行缺失数据填补任务，以及深度神经网络的不同构建块，如堆叠限制玻尔兹曼机和深度信念网络来测试我们的假设。这篇文章背后的动机是需要缺失数据插补技术，导致更好的插补值比现有的方法具有更高的准确性和更低的错误。
2015-12-04 cs.LG cs.NE
Evolution, Future of AI, and Singularity
本文借鉴演化发育生物学对“现代综合”的补充，提出克服当代人工智能局限的新设计范式，并将AI奇点从思辨转变为有根据的前景。
2025-06-18 cs.NE cs.OH nlin.AO
Performance and Explainability Requirements of Evolutionary Algorithms in Real-World Physics-Informed Optimization
Universität Augsburg（乌尔姆大学）
本文通过五个实际物理优化问题，分析领域专家对进化算法在性能和可解释性方面的需求，并指出现有方法未能充分应用于复杂实际场景的差距。
2026-05-27 cs.AI cs.NE
Why Two Sexes?
从控制论的观点看两性分离的进化作用。[1965年的这篇文章是我在1988年从俄文《Nauka i Zhizn》（科学与生活）中翻译出来的。文章以通俗的形式提出了几个有用的观点，即使在今天，这些观点也不一定都是众所周知或被广泛接受的。Boris Lubachevsky，bdl@bell-labs.com]
2004-08-01 cs.GL cs.NE q-bio.PE
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
An Effective Evolutionary Clustering Algorithm: Hepatitis C Case Study
聚类分析在科学研究和商业应用中起着重要的作用。K-means算法是聚类分析中一种广泛使用的划分方法。然而，众所周知，K-means算法可能会卡在次优解上，这取决于初始聚类中心的选择。本文提出了一种处理大规模数据的技术，该技术利用遗传算法有目的地选择初始聚类中心，降低对孤立点的敏感性，避免分割大的聚类，并在一定程度上克服了由于采用多采样而导致的数据划分不均衡所造成的数据偏差。我们将我们的方法应用于一些公共数据集，这些数据集显示了所提出的方法的优点，例如来自加州大学机器学习仓库的丙型肝炎数据集。我们的目标是评估肝炎数据集。为了评估这个数据集，我们做了一些预处理操作，预处理的原因是总结数据的最佳和适合我们的算法的方式。利用局部均值法对实例的缺失值进行调整。
2014-02-27 cs.CE cs.NE
Paradiseo: From a Modular Framework for Evolutionary Computation to the Automated Design of Metaheuristics ---22 Years of Paradiseo---
元启发式优化方法的成功导致了各种各样的算法范例的发展。然而，没有一种算法在所有问题上都明显优于所有竞争对手。相反，优化问题的潜在多样性需要各种算法来有效地解决它们。因此，获得成熟和灵活的软件框架是非常重要的，这些软件框架允许有效地探索算法设计空间。这样的框架应该足够灵活，以适应任何类型的元分析，并足够开放，以连接更高级别的优化，监控和评估软件。本文总结了ParadisEO框架的特性，ParadisEO框架是一个全面的C++自由软件，其目标是开发模块化元数据。ParadisEO提供了高度模块化的体系结构、大量组件、执行速度和自动化算法设计功能，这些都是现代元计算开发方法的关键。
2021-05-02 cs.MS cs.NE
Benchmarking of GPU-optimized Quantum-Inspired Evolutionary Optimization Algorithm using Functional Analysis
本研究针对Ackley等三类典型复杂优化函数，对比GPU并行的量子启发式进化优化算法（QIEO）与遗传算法（GA）的性能，发现QIEO收敛更快、耗时更短且稳定性更强，是这类问题的潜在高效替代方案。
2024-12-12 cs.CE cs.NE
Nature Inspired Evolutionary Swarm Optimizers for Biomedical Image and Signal Processing -- A Systematic Review
Spiraldevs Automation Industries Pvt. Ltd.（Spiraldevs自动化工业私人有限公司）
本文系统综述了自然启发进化群优化算法在生物医学图像与信号处理中的应用，通过分析28篇文献和26种算法并划分探索程度，填补了该领域缺乏系统综述的空白。
2023-10-02 cs.AI cs.NE
Handling Imbalanced Classification Problems With Support Vector Machines via Evolutionary Bilevel Optimization
Centro de Investigación en Matemáticas（数学研究中心）；Andalusian Research Institute in Data Science and Computational Intelligence（安达卢西亚数据科学与计算智能研究所）；University of Granada（格拉纳达大学）
支持向量机（Support Vector Machines，SVMs）是处理二进制分类问题的一种流行的学习算法。他们传统上假设每个类的错误分类成本相等;然而，现实世界的问题可能有不均匀的类分布。本文介绍了EBCS-SVM：进化双层代价敏感支持向量机。EBCS-SVM通过同时学习支持向量和优化SVM超参数（包括核参数和误分类代价）来处理不平衡分类问题。由此产生的优化问题是一个双层问题，其中较低的水平确定的支持向量和超参数的上层。这个优化问题的解决，使用进化算法（EA）在上层和顺序最小优化（SMO）在较低的水平。这两种方法以嵌套的方式工作，即最优支持向量帮助指导超参数的搜索，并且基于先前的成功解决方案初始化较低的级别。使用70个不平衡分类数据集对所提出的方法进行评估，并与几种最先进的方法进行比较。实验结果，贝叶斯测试的支持下，EBCS-SVM的有效性提供了证据时，高度不平衡的数据集。
2022-04-21 cs.AI cs.LG cs.NE
Evolutionary Reinforcement Learning: A Survey
Southern University of Science and Technology（南方科技大学）；Bielefeld University（比勒费尔德大学）；University of Surrey（萨里大学）
本文综述进化计算与强化学习融合的进化强化学习（EvoRL），按超参数优化、策略搜索、探索等方向分类，并展望高效方法、基准与平台等未来方向。
2023-08-30 cs.AI cs.LG cs.NE
