Exploitation and Exploration Analysis of Elitist Evolutionary Algorithms: A Case Study
利用和探索作为搜索求解问题的两个基石，在进化算法的实现和应用中得到了广泛的讨论。然而，对油气勘探开发的评价和理论评价研究较少。考虑到开发和探索是全局搜索和局部搜索的两个问题，本文提出了通过在不同的集成域中计算的成功概率和一步改进率来评估它们。然后，通过分析（1+1）随机单变量搜索和（1+1）进化规划在球函数和作弊问题上的性能，进行了案例研究。通过严格的理论分析，我们表明，无论是开发和探索的精英EA的问题维度$n$指数退化。同时，通过设置高斯变异的标准差$σ$的适当值，可以实现最大化的开发和探索，该标准差与当前解到前景区域中心的距离呈正相关.
2020-01-29 cs.NE
An information-theoretic evolutionary algorithm
本文提出一种基于信息论的进化算法it-EA，通过信息几何优化更新变异率、最大似然原理更新中心，并在OneMax和LeadingOnes上验证了其有效性。
2023-04-12 cs.NE
Self-adaptation in non-Elitist Evolutionary Algorithms on Discrete Problems with Unknown Structure
有效利用进化算法的一个关键挑战是为其参数选择适当的设置。然而，适当的参数设置通常取决于优化问题的结构，这通常是未知的用户。非确定性参数控制机制使用从进化过程获得的信息来调整参数。自适应-参数设置编码在个体的染色体中，并通过变异和交叉进化-是进化策略中流行的参数控制机制。然而，几乎没有理论证据表明自适应是有效的，自适应在很大程度上被离散演化计算社区所忽视。在这里，我们通过理论运行时分析表明，非精英，离散进化算法，自适应其突变率不仅优于EA使用静态突变率\leadingones，但也提高了渐近EA使用国家的最先进的控制机制。该问题的结构取决于参数$k$，其对于算法是\emph{a priori}未知的，并且需要其来适当地设置固定的突变率。自适应EA达到相同的渐近运行时间，如果这个参数是已知的算法事先，这是一个渐进的加速比，这个问题相比，所有其他EA以前研究。一项关于变异率如何演变的实验研究表明，它们对各种各样的问题结构都有足够的反应。这些结果表明，自适应应采用更广泛的离散，非精英进化算法的参数控制机制。
2020-04-01 cs.NE q-bio.PE
Estimate Hitting Time by Hitting Probability for Elitist Evolutionary Algorithms
Nottingham Trent University（诺丁汉特伦特大学）；Southern University of Science and Technology（南方科技大学）；University of Nottingham Ningbo China（诺丁汉大学宁波校区）；Lingnan University（岭南大学）
本文提出通过击中概率的漂移分析方法，用于估计精英进化算法的击中时间，通过引入路径处理多模态适应度景观，简化了击中概率的计算并比较了两种算法的性能。
2026-03-02 cs.NE
Self-Adjusting Population Sizes for Non-Elitist Evolutionary Algorithms: Why Success Rates Matter
进化算法（Evolutionary Algorithms，EA）是一种通用的优化器，它带有几个参数，如父代和后代种群的大小或突变率。众所周知，EA的性能可能极大地取决于这些参数。最近的理论研究表明，在算法运行过程中调整参数的自调整参数控制机制可以证明优于离散问题的EA中的最佳静态参数。然而，这些研究大多数涉及精英的选举机构，我们没有一个明确的答案，同样的机制是否可以适用于非精英的选举机构。我们研究了最著名的参数控制机制之一，五分之一成功规则，以控制后代人口规模$λ$在非精英$(1,λ)$ EA。已知$(1,λ)$ EA相对于$λ$的选择具有尖锐的阈值，其中基准函数OneMax上的预期运行时间从多项式时间变为指数时间。因此，不清楚参数控制机制是否能够找到并保持$λ$的合适值。对于OneMax，我们表明答案关键取决于成功率$s$（即，e.一次$(s+1)$成功规则）。我们证明，如果成功率是适当的小，自调整$(1,λ)$ EA优化OneMax在$O(n)$预期的世代和$O(n \log n)$预期的评价，最好的运行时间为任何一元无偏黑箱算法。一个小的成功率是至关重要的：我们还表明，如果成功率太大，该算法在OneMax和其他具有类似特征的函数上具有指数运行时间。
2022-10-12 cs.NE
Drift Analysis with Fitness Levels for Elitist Evolutionary Algorithms
本文将漂移分析与适应度层级方法结合，将最紧时间界问题形式化为约束多目标优化问题，首次构造并证明最紧度量界，并建立通用框架以在无捷径和有捷径的适应度景观上获得紧致时间界，通过(1+1) EA最大化TwoMax1函数进行了验证。
2024-02-13 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
Convergence Properties of Two (μ + λ) Evolutionary Algorithms On OneMax and Royal Roads Test Functions
我们提出了一些界限的收敛时间为两个精英人口为基础的进化算法，使用重组算子k-Bit-Swap和主流的随机局部搜索算法。我们研究了优势种的分布和种群大小的影响。
2011-08-20 cs.NE
Self-adaptation of Mutation Rates in Non-elitist Populations
进化算法（EA）的运行时间严重依赖于其参数设置，这些参数设置通常是特定于问题的。已经开发了用于参数调整的自动化方案以减轻手动参数调整的高成本。实验结果表明，自适应，参数设置编码在个人的基因组，可以有效地在连续优化。然而，离散优化的结果并不那么确定。此外，一个严格的运行时分析，解释如何自适应可以导致渐近加速一直失踪。本文提供了第一个这样的分析离散，人口为基础的EA。我们应用基于水平的分析，以显示自适应EA是如何能够微调其突变率，导致指数加速EA使用固定的突变率。
2016-06-17 cs.NE q-bio.PE
Non-Elitist Selection Can Improve the Performance of Irace
现代优化策略，如进化算法，蚁群算法，贝叶斯优化技术等，都有几个参数，在优化过程中引导它们的行为。为了获得高性能的算法实例，已经开发了自动化算法配置技术。最流行的工具之一是irace，它在连续的比赛中评估配置，利用迭代的统计测试来丢弃性能不佳的配置。在竞争结束时，使用贪婪截断选择从那些未被丢弃的幸存者配置中选择一组精英配置。我们研究了两种可选的选择方法：一种是保留最好的幸存者，并从幸存者集合中随机均匀地选择剩余的配置，而另一种是应用熵来最大化精英的多样性。这些方法进行了测试，调整蚁群优化算法的旅行推销员问题和二次分配问题，并调整一个精确的树搜索求解器的可满足性问题。实验结果表明，改进的测试基准相比，默认选择的irace。此外，所获得的结果表明，非精英可以获得不同的算法配置，这鼓励我们探索更广泛的解决方案，以了解算法的行为。
2022-06-25 cs.NE
Does Comma Selection Help To Cope With Local Optima
Laboratoire d’Informatique (LIX)（计算机科学实验室（LIX））；CNRS（法国国家科学研究中心）；École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）
在演化计算中使用非精英主义的一个希望是，放弃当前最佳解的能力有助于离开局部最优解。为了提高我们对这种机制的理解，我们进行了严格的运行时分析的基本非精英进化算法（EA），$(μ,λ)$ EA，最基本的基准函数与局部最优，跳转功能。我们证明，对于所有合理的值的参数和问题，预期的运行时间的$(μ,λ)$~EA是，除了低阶项，至少一样大的预期运行时间的精英同行，$(μ+λ)$~EA（我们进行的第一次运行时分析跳跃功能，使这种比较）。因此，$(μ,λ)$~EA将局部最优值留给劣解的能力不会导致运行时间优势。我们补充这个下限与上限，广泛的参数范围内，是相同的，我们的下限除了低阶项。这是第一个运行时结果的非精英算法的多模态问题，是紧除了低阶项。
2021-11-10 cs.AI cs.DS cs.NE
Quantum-Enhanced Selection Operators for Evolutionary Algorithms
Volkswagen Group of America（美国大众汽车集团）；Volkswagen Group（大众汽车集团）；Terra Quantum（泰拉量子公司）；Leiden University（莱顿大学）
遗传算法具有独特的性质，这是有用的，当应用到黑盒优化。使用选择、交叉和变异算子，可以在不需要计算梯度的情况下获得候选解。在这项工作中，我们研究了遗传算法的选择机制内使用量子增强算子得到的结果。我们的方法框架的选择过程作为一个二进制二次模型的最小化，我们编码的健身和人口成员之间的距离，我们利用量子退火系统的选择机制的低能量的解决方案。我们将这些量子增强算法与各种黑盒目标函数上的经典算法进行基准测试，包括OneMax函数和IOHProfiler库中用于黑盒优化的函数。我们观察到量子增强精英选择算子与OneMax函数上的经典算子相比，在平均代数收敛方面的性能增益。我们还发现，具有非精英选择的量子增强选择算子在IOHProfiler库中具有适应度扰动的函数上的性能优于基准。此外，我们发现，在精英选择的情况下，量子增强的运营商优于经典的基准函数与不同程度的虚拟变量和中立性。
2022-06-21 cs.LG cs.NE quant-ph
Error Analysis of Elitist Randomized Search Heuristics
当进化算法不能在多项式期望运行时间内找到复杂优化问题的全局最优解时，由于有时不知道多项式期望运行时间内的近似比是多少，命中时间/运行时间分析不够灵活，无法满足理论研究的要求.因此，有必要提出一个替代的例程的理论分析的EA。为了弥合理论分析和算法实现之间的差距，在本文中，我们进行了误差分析，估计的预期近似误差，以评估随机搜索算法（RSH）的性能。基于RSH的马尔可夫链模型，通过对单步转移矩阵进行对角化，得到了多步转移矩阵，并给出了一个估计期望逼近误差的一般框架.案例研究表明，误差分析工作以及单模态和多模态基准问题。它导致近似误差的精确估计，而不是渐近结果的适应值，这表明它的竞争力固定预算分析。
2020-11-30 cs.NE
The (1+1) Elitist Black-Box Complexity of LeadingOnes
黑箱复杂性理论的一个重要目标是发展复杂性模型，从而为整个随机搜索算法类导出有意义的下界。作为对经典运行时分析的补充，黑盒模型帮助我们理解算法选择（如种群大小、变异算子或选择规则）如何影响优化时间。这种结果的一个例子是具有唯一全局最优值的函数上的一元无偏算法的$Ω(n \log n)$下界[Lehre/Witt，GECCO 2010]，这告诉我们，当试图超越此界时，需要更高的arity算子或有偏采样策略。由于缺乏分析技术，几乎没有已知的非平凡界的其他限制模型。因此，证明这样的界限仍然是黑盒复杂性理论的主要挑战之一。在本文中，我们有助于我们的技术工具箱下限计算提出了一种新的类型的信息理论的论点。我们考虑的置换和位不变版本的\textsc{LeadingOnes}，并证明其（1+1）精英黑箱复杂性是$Ω(n^2)$，一个界，是匹配的（1+1）型进化算法。因此，\textsc{LeadingOnes}的（1+1）精英复杂度显著大于其无限制复杂度，已知无限制复杂度为$n\log\log n$阶[Afshani等人，2013年]。
2016-04-08 cs.CC 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
The Compact Genetic Algorithm Struggles on Cliff Functions
紧凑型遗传算法（cGA）是一种非精英分布估计算法，已被证明能够处理困难的多峰适应度景观，难以解决精英算法。在本文中，我们研究了cGA的CLIFF函数，它最近已被证明，非精英进化算法和人工免疫系统优化它在预期的多项式时间。我们指出，cGA面临的主要困难时，解决CLIFF功能，并研究其动力学实验和理论上的悬崖周围。我们的实验结果表明，cGA需要指数时间的更新强度$K$的所有值。我们从理论上表明，在合理的假设下，有一个负漂移时，采样周围的悬崖的位置。实验进一步表明，存在$K$的相变，其中期望的优化时间从$n^{Θ(n)}$下降到$2^{Θ(n)}$。
2022-04-11 cs.NE
On Proportions of Fit Individuals in Population of Evolutionary Algorithm with Tournament Selection
在本文中，我们考虑了一个非精英只变异进化算法（EA）的比赛选择的适应度模型。该模型提供了上限和下限的预期比例的个人与健身以上给定的阈值。在所谓的单调变异的情况下，得到的界限意味着，增加比赛的大小提高EA的性能。作为推论，我们得到了单峰函数随机局部搜索的指数消失尾界和2-SAT问题和E.巴拉斯
2016-08-26 cs.NE
On the Impact of Mutation-Selection Balance on the Runtime of Evolutionary Algorithms
变异和选择之间的相互作用在进化算法（EA）的行为中起着重要的作用。然而，这种相互作用仍然没有完全理解。本文提出了一个严格的运行时分析的非精英人口为基础的EA，使用线性排名选择机制。分析的重点是如何之间的平衡参数$η$，控制线性排名中的选择压力，和参数$χ$控制逐位变异率，影响算法的运行时间。结果指出，正确的选择压力和突变率之间的平衡是必不可少的多项式时间内找到最优解的情况。特别是，它表明，存在的健身功能，只能在多项式时间内解决，如果参数之间的比率$η$和$χ$是在一个狭窄的临界区间内，在这个比率的一个小的变化可以增加运行时间呈指数。此外，它是定量示出如何适当的参数选择取决于适应度函数的特性。除了原有的关于进化算法运行时间的结果外，本文还介绍了一个非常有用的分析工具，即，多类型分支过程，非精英人口为基础的EA的运行时分析。
2010-12-14 cs.NE nlin.AO q-bio.PE
When Non-Elitism Meets Time-Linkage Problems
Southern University of Science and Technology（南方科技大学）；University of Science and Technology of China（中国科学技术大学）；University of Birmingham（伯明翰大学）
许多现实世界的应用程序具有时间链接属性，最近Zheng等人（TEVC 2021）对他们提出的时间链接OneMax问题OneMax $_{(0,1^n)}$进行了唯一的理论分析。然而，只有两个精英算法（1+1）EA和（$μ$ +1）EA进行了分析，它是未知的非精英机制是否可以帮助逃脱局部最优存在于OneMax $_{(0,1^n)}$。一般来说，在进化算法中的非精英主义的好处，有很少的理论结果。在这项工作中，我们通过比较精英（1+ $λ$）EA和它的非精英对应（1，$λ$）EA的性能分析的非精英的影响。我们证明了概率$1-o(1)$（1+ $λ$）EA将陷入局部最优，无法找到全局最优，但概率$1$，（1，$λ$）EA可以达到全局最优，其预期运行时间是$O(n^{3+c}\log n)$与$λ=c \log_{\frac{e}{e-1}} n$为常数$c\ge 1$。注意到一个较小的后代的大小是有助于逃离局部最优，我们进一步诉诸紧凑的遗传算法，只有两个人被采样更新的概率模型，并证明其预期的运行时间的$O(n^3\log n)$。我们的计算实验也验证了这两种非精英算法的有效性。
2021-04-14 cs.AI cs.NE
Parent Selection Mechanisms in Elitist Crossover-Based Algorithms
University of Passau（帕绍大学）
本文提出了一种精英交叉算法的父代选择策略，通过优先选择最大距离的父代进行交叉，以解决Jump_k问题并改进时间复杂度。
2026-04-09 cs.AI cs.NE
Joint UAV Activation and Placement for Post-Disaster Wireless Restoration via a Hybrid Quantum-Inspired Evolutionary Framework
Mohammed V University in Rabat（拉巴特穆罕默德五世大学）；Hassania School of Public Works (EHTP)（哈桑尼亚公共工程学院）；School of Management, Telecommunications and Computer Science (SUPMTI)（管理、电信与计算机科学学院）；Fordham University（福特汉姆大学）；Misr Higher Institute for Commerce and Computers（埃及商贸计算机高等学院）
针对灾后通信恢复，提出混合K均值量子启发进化算法（HKQEA）联合优化无人机激活与布署，最小化数量并满足约束，实验表明用8架无人机实现高覆盖率与可行性，节省硬件成本。
2026-09-16 cs.NE
An Analysis on Selection for High-Resolution Approximations in Many-Objective Optimization
本文研究了三种精英多目标进化算法的行为，这些算法生成了Pareto最优集的高分辨率近似。定义了几个搜索评估指标来跟踪生存选择的动态，并测量同时保持最优解和发现新的不同人口规模下的能力，设置为帕累托最优集的大小的一小部分。
2014-09-26 cs.NE
On the Easiest and Hardest Fitness Functions
适应度函数的硬度是演化计算领域的一个重要研究课题。从理论上讲，该研究有助于理解进化算法的能力。在实践中，该研究可以为基准的设计提供指导。本文的目的是回答以下研究问题：给定一个适应度函数类，哪些功能是最简单的进化算法？哪个最难？这些功能是如何构建的？本文从理论上回答了这些问题。最简单和最困难的适应度函数构造的精英（1+1）进化算法，以最大化一类具有相同的最优值的适应度函数。结果表明，单峰函数是最简单的和欺骗性的功能是最困难的时间适应度景观。本文还揭示了一个算法最容易的适应度函数可能成为另一个算法最难的适应度函数，反之亦然。
2015-02-12 cs.NE
Self-Adjusting Evolutionary Algorithms Are Slow on Multimodal Landscapes
针对自调整进化算法在多模态问题中的性能争议，本研究通过理论分析与实证验证，证实自调整$(1, λ)$-EA在失真OneMax基准上因自适应性阻碍逃离局部最优而减速，表现劣于合适的静态参数选择。
2024-04-18 cs.NE
Scalable Speed-ups for the SMS-EMOA from a Simple Aging Strategy
School of Computer Science and Technology, National Key Laboratory of Smart Farm Technologies and Systems, International Research Institute for Artificial Intelligence, Harbin Institute of Technology, Shenzhen（计算机科学与技术学院、智能农业技术与系统国家重点实验室、人工智能国际研究院、哈尔滨工业大学深圳校区）
本文针对SMS-EMOA提出基于老化的非精英选择机制，通过保护年轻个体免于移除，证明可获得与目标数量无关的加速，弥补了随机选择在常数k和目标数较多时加速受限的不足。
2025-05-03 cs.AI cs.NE
Multi-population GAN Training: Analyzing Co-Evolutionary Algorithms
本文实证比较了多种协同进化GAN训练策略，发现完全代际替换(μ,λ)在样本质量和多样性上优于精英保留方法，为设计更有效的基于种群的生成模型提供了指导。
2025-07-17 cs.NE
Hyper-Heuristics Can Profit From Global Variation Operators
本研究证明移动接受超启发式算法在JUMP基准上通过采用全局变异算子获得性能提升，结合全局变异与接受较差解可有效应对局部最优。
2024-07-19 cs.AI cs.DS 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
OneMax in Black-Box Models with Several Restrictions
黑箱复杂性研究通用黑箱优化算法（如进化算法和其他搜索算法）的效率下限。存在不同的模型，每个模型都被设计用于分析典型启发式方法的不同方面，例如内存大小或使用的变异运算符。虽然大多数以前的作品集中在一个特定的这样的方面，我们认为在这项工作中如何结合几个算法的限制影响黑盒的复杂性。我们的测试平台是所谓的OneMax函数，这是一组经典的测试函数，与经典的硬币称重问题和棋盘游戏Mastermind密切相关。我们特别分析了OneMax在不同内存大小下的组合内存受限的基于排名的黑盒复杂度。虽然其隔离的存储器限制以及其基于排名的黑盒复杂度为长度$n$的位串仅为$n/\log n$阶，但组合模型不允许算法比$n$中的线性算法更快，如标准信息论考虑所示。我们证明了这个线性界确实是渐近紧的。对于其他内存和子内存大小，也得到了类似的结果。我们的结果也适用于最近引入的精英模型中OneMax的（Monte Carlo）复杂性，其中只有迄今为止最好的解决方案可以保存在内存中。最后，我们还提供了改进的下界的OneMax在所考虑的模型的复杂性。我们的结果活跃了自然进化算法优化OneMax在$o(n \log n)$迭代的追求。
2015-09-10 cs.DS cs.NE
Crossover Can Guarantee Exponential Speed-Ups in Evolutionary Multi-Objective Optimisation
本文通过构造两类皇家大道函数，从理论上证明交叉算子能使GSEMO和NSGA-II在期望多项式时间内覆盖帕累托前沿，而无交叉时即使使用任意精英选择和无偏变异的黑盒算法也需指数时间，首次揭示了NSGA-II中交叉带来的指数级加速。
2023-12-04 cs.NE
Runtime Analysis of Fitness-Proportionate Selection on Linear Functions
本文将具有适应度比例选择的非精英进化算法的运行时分析从简单的OneMax函数扩展到线性函数。我们的分析不仅涵盖了更大类的适应度函数，而且适用于更广泛的突变率。我们发现，具有压倒性的高概率，没有线性函数可以优化在小于指数时间，假设按位突变率$Θ(1/n)$和人口规模$λ=n^k$为任何常数$k>2$。相反，这个负面的结果，我们还表明，对于任何多项式有界的权重的线性函数，EA实现多项式预期的运行时，如果突变率降低到$Θ(1/n^2)$和人口规模是足够大的。此外，具有突变率$χ/n=Θ(1/n)$和适度群体大小$λ=Ω(\ln n)$的EA优化了在期望时间$O(nλ\lnλ+n^2)$内针对任何线性函数$f$和任何$\varepsilon>0$的缩放适应度函数$e^{(χ+\varepsilon)f(x)}$。这些上界也扩展到一些可加分解的适应度函数，如皇家路函数。我们期望所得到的结果不仅对进化算法理论的发展，而且对生物学应用，如定向进化，可能是有用的。
2019-08-23 cs.NE
Variable Division and Optimization for Constrained Multiobjective Portfolio Problems
East China Normal University（华东师范大学）
变量划分与优化（D\&O）是进化算法（EA）中一种常用的算法设计范式。D &O进化算法将一个变量分解为多个部分变量，然后分别对它们进行优化。因此，一个复杂的问题被分解成简单的子任务。例如，投资组合问题的一个变量可以分解为两个部分变量，即资产的选择和资本的分配。因此，我们分别优化这两个部分变量。没有正式的讨论如何迭代优化部分变量，以及为什么它可以工作的单目标和多目标问题的D\&O。本文填补了这一空白。在此基础上，提出了多目标问题中部分变量的精英选择方法。然后将该方法引入到基于分解的多目标进化算法（D &O-MOEA/D）中。在数学规划优化器的帮助下，实现了约束多目标投资组合问题。在实证研究中，D &O-MOEA/D被应用于20个实例和中国近期的股票市场。结果表明，D &O-MOEA/D在大规模问题上具有较好的优越性和通用性，在小规模问题上也有较好的性能。前者的目标收敛到帕累托前沿和后者有助于促进多样性的非支配解决方案在搜索过程中。
2021-01-21 cs.AI cs.NE
How Well Does the Metropolis Algorithm Cope With Local Optima?
CNRS（法国国家科学研究中心）；Technical University of Denmark（丹麦技术大学）
本研究通过数学运行时分析证明，即使在最优温度下，Metropolis算法在CLIFF基准上优化多数函数时效率低于精英进化算法，并建议引入全局变异算子以提升性能。
2023-05-15 cs.AI cs.DS cs.NE
On the Limitations of the Univariate Marginal Distribution Algorithm to Deception and Where Bivariate EDAs might help
我们引入了一个新的基准问题，称为欺骗性的领导块（DLB）严格研究的运行时间的单变量边际分布算法（UMDA）中存在的上位性和欺骗。我们表明，简单的进化算法（EA）优于UMDA，除非选择压力$μ/λ$是非常高的，其中$μ$和$λ$是父母和后代的人口规模，分别。更确切地说，我们表明，UMDA与父母的人口规模的$μ=Ω(\log n)$有一个预期的运行时间$e^{Ω(μ)}$的DLB问题假设任何选择压力$\fracμλ \geq \frac{14}{1000}$，而不是预期的运行时间$\mathcal{O}(nλ\log λ+n^3)$的非精英$(μ,λ)~\text{EA}$与$μ/λ\leq 1/e$。这些结果说明了单变量EDA对欺骗和上位性的固有局限性，这是现实世界问题的共同特征。与此相反，经验证据表明，双变量MIMIC算法的DLB问题的效率。我们的研究结果表明，当优化具有一定程度的上位性和欺骗的问题时，应该考虑具有更复杂概率模型的EDA。
2019-07-29 cs.NE
Fast Genetic Algorithm for feature selection -- A qualitative approximation approach
Center for Applied Intelligent Systems Research, Halmstad University（哈尔姆斯塔德大学应用智能系统研究中心）
针对包装式遗传算法在大规模特征选择中适应度评估昂贵的问题，提出基于“近似有用性”的两阶段定性代理元模型方法 CHCQX，并扩展至 PSOQX，显著提升收敛速度与准确率。
2024-04-05 cs.AI cs.LG cs.NE
Optimization of breeding program design through stochastic simulation with evolutionary algorithms
针对育种程序参数优化中随机模拟计算量大的问题，提出结合核回归与进化算法的优化框架，在Snakemake流程中实现，大幅减少模拟次数与计算时间并提升扩展性。
2024-07-22 cs.NE q-bio.QM
