Computing High-Quality Solutions for the Patient Admission Scheduling Problem using Evolutionary Diversity Optimisation
解集的多样性已经成为演化计算界的一个研究热点。它已被证明是有益的优化问题在几个方面,如计算一组不同的高质量的解决方案,并获得对不完美的建模鲁棒性。第一次在文献中,我们适应现实世界的组合问题,即病人入院调度的进化多样性优化。我们引入了一个进化算法,以实现结构多样性的解决方案,每个解决方案的质量。我们还引入了一个变异算子偏向多样性最大化。最后,我们通过仿真证明了多样性对上述问题的重要性。
2022-07-28 cs.NE
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
Evolutionary Diversity Optimization and the Minimum Spanning Tree Problem
在演化计算领域中,对给定优化问题的高质量解的不同集合的计算近年来在术语进化多样性优化下获得了动力。对用于多样性优化的基线进化算法的工作原理的理论见解仍然很少。在本文中,我们研究了著名的最小生成树问题(MST)的多样性优化的背景下,人口多样性是衡量成对的边缘重叠的总和。理论结果提供了深入了解的MST多样性优化问题的健身景观指出,即使人口的$μ=2$健身高原(恒定长度)可以达到,但不同的集可以计算在多项式时间。我们通过一系列针对无约束和约束情况的实验来补充我们的理论结果,其中所有解决方案都需要满足最小质量阈值。我们的研究结果表明,一个简单的$(μ+1)$ -EA可以有效地计算高质量的生成树的多样化的人口。
2021-04-27 cs.NE
Entropy-Based Evolutionary Diversity Optimisation for the Traveling Salesperson Problem
近年来,在演化计算社区中,计算不同的高质量解决方案集已经获得了越来越多的关注。它允许从业者从一组高质量的替代品中进行选择。在本文中,我们采用了人口多样性的措施,称为高阶熵的措施,在进化算法中计算不同的旅行推销员问题的高质量的解决方案。与以前的研究相比,我们的方法允许多样化的旅游段包含几个边缘的熵测度的基础上。我们研究所产生的进化多样性优化方法,正是在最后一组的解决方案和理论属性。实验结果表明,显着的改善相比,最近提出的基于边缘的多样性优化方法时,与大量的解决方案或长段。
2021-04-28 cs.NE
Evolutionary Diversity Optimisation for The Traveling Thief Problem
在演化计算社区中,对于给定的优化问题计算不同的高质量解决方案的兴趣越来越大。这可以为从业者提供关于解决方案空间和鲁棒性的宝贵信息,以防止不完美的建模和小问题的变化。它还使决策者能够涉及他们的利益,并在各种解决方案之间做出选择。在这项研究中,我们第一次调查一个突出的多组件优化问题,即旅行小偷问题(TTP),在进化多样性优化的背景下。我们引入了一个双层进化算法,以最大限度地提高结构多样性的解决方案。此外,我们研究的结构多样性的问题的组成部分之间的相互依赖性,并根据经验确定最佳的方法来获得多样性。我们还进行了全面的实验研究,以检查引入的算法,并将结果与最近推出的另一个框架的基础上使用的质量多样性(QD)。我们的实验结果表明,QD方法在大多数TTP基准实例的结构多样性方面有显着的改善。
2022-04-06 cs.NE
Spatial Evolutionary Generative Adversarial Networks
生成式对抗网络(GANs)遭受训练病态,例如不稳定性和模式坍塌。这些疾病主要是由于它们的对抗性互动缺乏多样性而产生的。进化生成对抗网络应用演化计算的原理来缓解这些问题。我们混合了两种促进培训多样性的方法。一个是E-GAN,在每一批中,通过用三个独立的目标函数训练(复制的)生成器,然后为下一批选择结果最好的生成器来注入突变多样性。另一个是Lipizzaner,它通过使用分布式进化算法训练GANs的二维网格来注入种群多样性,该算法包括额外训练对手的邻居交换,基于性能的选择和基于种群的超参数调整。我们建议结合变异和人口的多样性改善的方法。我们贡献了一种卓越的进化GANs训练方法Mustangs,它消除了Lipizzaner网格中使用的单个损失函数。相反,在每个训练轮中,从三个E-GAN使用中以相等的概率选择损失函数。对标准基准测试MNIST和CelebA的实验分析表明,Mustangs提供了一种统计上更快的训练方法,从而产生更准确的网络。
2019-05-29 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
On the Use of Survival Selection Methods for Evolutionary Diversity Optimisation
Adelaide University(阿德莱德大学);Paderborn University(帕德博恩大学)
研究在进化多样性优化中每代生成多个解的有效性,并提出一种基于聚类的生存选择方法,实验证明其优于传统单解生成方法。
2026-06-23 cs.NE
Toward Artificial Open-Ended Evolution within Lenia using Quality-Diversity
本文提出Leniabreeder框架,将质量-多样性演化算法与Lenia连续元胞自动机结合,自动发现多样自组织模式,并展示其在人工开放式演化中的潜力。
2024-06-06 cs.NE
Design and Analysis of Diversity-Based Parent Selection Schemes for Speeding Up Evolutionary Multi-objective Optimisation
在多目标优化的进化算法中,父节点的选择通常是通过偏好非支配点的优势机制或指示函数来实现的。我们建议改进进化多目标优化与多样性为基础的指标的父选择。其目的是关注位于搜索空间的探索不足的区域中具有高多样性贡献的个体,因此创建新的非支配个体的机会比在人口稠密的区域中更好。我们表明,通过严格的运行时分析,使用基于多样性的父选择机制,在简单的进化多目标优化器(SEMO)和全球SEMO的众所周知的双目标函数${\rm O{\small NE}M{\small IN}M{\small AX}}$和${\rm LOTZ}$可以显着提高其性能。我们的理论结果伴随着实验研究,表明理论和实证结果之间的对应关系,并激励进一步的理论研究方面的停滞。我们表明,停滞可能会发生时,有利于个人的高多样性的贡献,在父母的选择步骤,并提供了一个讨论,该计划用于更复杂的问题,根据我们的理论和实验结果。
2018-05-22 cs.NE
Evolutionary Diversity Optimisation in Constructing Satisfying Assignments
本文研究了布尔可满足性问题(SAT)背景下的进化多样性优化(EDO),通过引入利用SAT特性和强大求解器(如minisat)的进化算法,显式最大化SAT解之间的多样性,实验证明其能有效提升解的多样性并揭示解空间信息。
2023-05-19 cs.NE
Subpopulation Diversity Based Selecting Migration Moment in Distributed Evolutionary Algorithms
在分布式进化算法中,迁移间隔被用来确定迁移矩。然而,由时间间隔预先确定的迁移时刻并不能与演化的动态情况相匹配。本文提出了一种基于子种群多样性的迁移成功率设置方案。在该计划下,移民仍然会间隔时间发生,但移民进入目标亚人口的概率将根据拟议的公式由该亚人口的多样性决定。分析表明,我们的方案的时间消耗是可以接受的。在我们的实验中,并行的基础是旅行商问题的进化算法。在不同的参数值组合的公式,8个基准实例的分布式进化算法的结果与传统的一个,分别进行了比较。结果表明,基于该方案的分布式进化算法在求解高难度问题时具有明显的优势。此外,可以看出,该方案的算法具有最突出的性能在上述参数的三个值组合的公式。
2017-01-05 cs.NE
Evolutionary Multi-Objective Diversity Optimization
本文将多样化解集问题建模为双目标优化问题,提出以“种群中的种群”进化框架实现质量-多样性权衡,并在NSGA-II和SPEA2上验证了方法在多个组合优化问题上的有效性。
2024-01-15 cs.NE
Exploring the Evolution of GANs through Quality Diversity
生成对抗网络(GANs)在生成算法领域取得了相关进展,主要在图像背景下呈现高质量的结果。然而,GANs很难训练,模型的几个方面应该事先手工设计,以确保训练成功。在这种背景下,提出了诸如COEGAN的进化算法来解决GAN训练中的挑战。然而,在这些解决方案中,可以发现缺乏多样性和过早优化。本文提出了一种质量多样性算法在GANs进化中的应用。该解决方案是基于新颖性搜索与本地竞争(NSLC)算法,适应COEGAN中使用的概念,这一新的建议。我们比较我们的建议与原来的COEGAN模型和一个替代版本,使用全球竞争的方法。实验结果表明,我们的建议增加了发现的解决方案的多样性,并利用该算法发现的模型的性能。此外,全球竞争方法能够始终如一地为GANs找到更好的模型。
2020-07-13 cs.NE
Enhancing Decision Space Diversity in Multi-Objective Evolutionary Optimization for the Diet Problem
Universidade Federal de Ouro Preto(欧鲁普雷图联邦大学)
本文提出了一种基于汉明距离的改进方法,用于增强多目标进化优化在饮食问题中的决策空间多样性,通过优化选择机制提升解的多样性,同时保持目标空间性能。
2025-08-09 cs.NE
Evolution of a Functionally Diverse Swarm via a Novel Decentralised Quality-Diversity Algorithm
在包括昆虫群体、人类群体和群体机器人在内的广泛研究中,一个群体内功能多样性的存在已被证明会导致更大的鲁棒性、更高的性能和更高的解决问题能力。然而,在进化机器人中,不断发展的群体多样性已被证明是具有挑战性的,需要生殖隔离和对种群规模和选择机制的仔细关注。为了解决这个问题,我们引入了一种新的,分散的,变体的MAP-精英照明算法,这是一个著名的分布式进化算法(mEDEA)杂交。该算法同时为多个机器人进化多个不同的行为,相对于一个简单的令牌收集任务。群中的每个机器人都维护一个由两个预先指定的功能特征定义的本地存档,该功能特征与它接触的机器人共享。我们调查了四种不同的策略,共享,利用和结合当地档案和比较结果mEDEA。实验结果表明,与以前的索赔相比,它是可能的,以发展一个功能多样的群体没有地理隔离,新方法优于mEDEA的多样性,覆盖率和精度的进化群体。
2018-04-20 cs.NE
On the utility of the multimodal problem generator for assessing the performance of Evolutionary Algorithms
本文详细介绍了如何进化算法试图解决多模态问题发生器的实例。该文件表明,为了始终达到全局最优,进化算法需要的人口规模,应至少与峰的数量呈线性增长。它还显示了供应和决策问题之间的密切关系,以前已确定的背景下,人口规模模型的添加剂可分解的问题。然而,最重要的结果的文件,是解决一个多模态问题发生器的实例就像解决一个峰在一个干草堆,有人认为,进化算法不是最好的算法,这样的任务。最后,与一些研究人员一直在做的相反,我们坚信多模态问题生成器不足以评估进化算法的性能。
2006-02-14 cs.NE
Large Language Models as In-context AI Generators for Quality-Diversity
Imperial College London(帝国理工学院)
提出In-context QD框架,利用大型语言模型的上下文生成能力,通过少样本和多样本提示结合QD档案中的质量多样示例,在多个QD领域和参数规模下显著提升解决方案组合的创新性和搜索效率。
2024-06-05 cs.AI cs.LG cs.NE
Analysis of Evolutionary Diversity Optimisation for Permutation Problems
作为传统优化任务的一个有前途的扩展,生成不同群体的高质量解决方案已经引起了人们的兴趣。这项工作有助于这条线的研究与调查的进化多样性优化的三个最好的研究置换问题,即旅行推销员问题(TSP),对称和非对称的变种,和二次分配问题(QAP)。它包括一个简单的变异进化算法与不同的变异算子的最坏情况下的性能分析,使用一个既定的多样性措施。理论结果表明,这些问题的许多变异算子保证收敛到最大限度地不同的人口足够小的规模在三次到四次预期的运行时间。另一方面,QAP上的结果表明,强突变给出了较差的最坏情况下的性能,因为突变强度对预期的运行时间有指数贡献。此外,实验进行QAPLIB和合成实例在无约束和约束的设置,并揭示更乐观的实际表现,同时证实了突变强度的理论发现。这些结果应该作为未来研究的基准。
2022-10-31 cs.NE
What can phylogenetic metrics tell us about useful diversity in evolutionary algorithms?
人们普遍认为,“多样性”与进化算法的成功有关。然而,多样性是一个广泛的概念,可以用多种方式来衡量和定义。到目前为止,大多数演化计算研究已经使用特定基因型或表型特性的丰富度和/或均匀度来测量多样性。虽然这些指标是翔实的,我们假设,其他多样性指标更强烈地预测成功。系统发育多样性度量是生物学中广泛使用的一类度量,它考虑了种群的进化历史。在这里,我们调查的程度,1)这些指标提供不同的信息比传统上使用的演化计算,和2)这些指标更好地预测长期的成功运行的演化计算。我们发现,在大多数情况下,系统发育指标的行为有意义的不同,从其他多样性指标。此外,我们的研究结果表明,系统发育多样性确实是一个更好的预测成功。
2021-08-28 cs.NE q-bio.PE
Computing Diverse Sets of High Quality TSP Tours by EAX-Based Evolutionary Diversity Optimisation
基于边集合交叉的进化算法(EAX)构成了著名的旅行推销员问题(TSP)的一些最好的性能不完全解决方案。通常情况下,它是可取的,不只是计算一个单一的解决方案,一个给定的问题,但不同的一组高质量的解决方案,决策者可以选择一个实施。目前,只有少数几种方法来计算TSP的不同的解决方案集。此外,几乎所有的算法都假设最优解是已知的。在本文中,我们介绍了进化多样性优化(EDO)的TSP方法,找到一个不同的旅游时,最佳旅游是已知的或未知的。我们展示了如何采用EAX,不仅找到高质量的解决方案,而且最大限度地提高人口的多样性。由此产生的EAX为基础的EDO方法,称为EAX-EDO是能够获得不同的高质量的旅游时,TSP的最优解是已知的或未知的。与现有方法的比较表明,EAX-EDO的性能明显优于它们。
2021-08-12 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
Breeding Diverse Packings for the Knapsack Problem by Means of Diversity-Tailored Evolutionary Algorithms
在实践中,往往希望为决策者提供一套丰富的、不同的、质量良好的解决方案,而不仅仅是一个单一的解决方案。本文研究了背包问题的进化多样性优化算法。我们的目标是进化出一组至少有$(1-\varepsilon)\cdot OPT$利润的解决方案,其中OPT是最优解决方案的值。此外,它们在基于熵的多样性度量方面的结构应该有所不同。为此,我们提出了一个简单的$(μ+1)$ -EA的初始近似解计算的一个著名的FPTAS的KP。我们研究了不同的标准变异算子的效果,并引入了有偏变异和交叉,这使得在人口中的低和/或高频率的翻转位的概率很高。对不同实例和设置的实验研究表明,在大多数情况下,所提出的变异算子在长期内表现略差,但如果函数评估的数量受到严重限制,则表现出很强的优势。
2021-04-27 cs.NE
Unleashing the Potential of Differential Evolution through Individual-Level Strategy Diversity
Southern University of Science and Technology(南方科技大学);The Hong Kong Polytechnic University(香港理工大学)
iStratDE通过在个体层面独立分配突变和交叉策略,提升微分进化算法的搜索性能和并行效率。
2026-02-01 cs.NE
Maintaining Diversity Provably Helps in Evolutionary Multimodal Optimization
针对多模态优化问题,本文从理论和实验上证明,在进化算法中结合交叉操作维持解空间多样性可增强探索能力,实现多项式或指数级运行时间加速。
2024-06-04 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
Diversity Enhancement via Magnitude
促进和保持候选解的多样性是一般进化算法和多目标进化算法的一个关键要求。在本文中,我们使用最近发展的理论的幅度构造梯度流和类似的概念,系统地操纵有限的欧几里得空间的子集,以提高其多样性,并应用的想法服务于多目标进化算法。我们展示了多样性增强基准问题,使用领先的算法,并讨论扩展的框架。
2022-01-25 cs.NE math.OC
Exploring Novel Quality Diversity Methods For Generalization in Reinforcement Learning
强化学习领域在成就方面很强,在重复应用方面很弱;一台电脑在玩围棋时达到了超人的水平,但在玩井字游戏时仍然很糟糕。本文探讨了训练网络的方法是否提高了网络的泛化能力。具体来说,我们探讨核心质量多样性算法,比较两个最近的算法,并提出了一个新的算法来处理现有方法的缺点。虽然这些方法的结果是远远低于预期的性能,我们的工作提出了重要的点选择质量多样性的行为准则,差分和进化训练方法的相互作用,以及离线强化学习和随机学习在进化搜索中的作用。
2023-03-26 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
Quality-diversity for aesthetic evolution
许多创造性的生成设计空间包含多个区域,具有高美学价值的个体。然而,传统的进化计算方法通常专注于优化,在种群中搜索最适合的个体。在本文中,我们应用质量多样性搜索方法,探索一个创造性的生成系统(基于代理的线画模型)。我们进行随机抽样的基因型空间,并使用个人艺术家分配的审美质量的评价,制定一个可计算的健身措施,具体到艺术家和这个系统。为了计算多样性,我们使用了一个卷积神经网络来区分在维度上减少到两个维度的特征。我们表明,质量多样性搜索是能够找到高美学价值的多个表型。这些表型比艺术家使用人工搜索方法能够找到的表型显示出更大的多样性和质量。
2022-02-04 cs.HC cs.NE
Preparing for the Unexpected: Diversity Improves Planning Resilience in Evolutionary Algorithms
随着自动优化技术进入工业应用,许多复杂系统的行为是由某种形式的规划者选择正确的行动来优化给定的目标函数。在许多情况下,由于现实世界中不可预见的事件或情况,计划与目标奖励的映射可能会发生变化。在这些情况下,计划者通常需要一些额外的努力来适应变化的情况,并达到以前的绩效水平。当我们仍然需要继续轮询规划器时,即使在重新规划期间,它也经常表现出严重的性能不足。为了提高规划者的弹性不可预见的变化,我们认为,保持一定程度的多样性之间的考虑计划在任何时候都应该添加到规划者的目标。实际上,我们鼓励计划者保留其当前最佳解决方案的替代计划。作为一个例子的情况下,我们实现了一个多样性意识的遗传算法使用两种不同的多样性度量(不同的一般性),并表明,打击的性能,由于意外的变化,可以大大减少在平均情况下。我们还分析了这些技术所需的参数设置,以便直观地了解它们如何被纳入更大的软件和系统工程框架或过程模型。
2018-10-30 cs.NE
Exploration and Exploitation in Symbolic Regression using Quality-Diversity and Evolutionary Strategies Algorithms
Université de Paris(巴黎大学);Ochanomizu University(御茶水女子大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
通过结合遗传编程,MAP精英和协方差矩阵自适应演化策略,我们在符号回归问题中表现出非常高的成功率。MAP-Elites用于改进探索,同时保持多样性并避免过早收敛和膨胀。然后,协方差矩阵自适应演化策略被用来评估自由标量通过非梯度的黑箱优化器。虽然这种评估方法是不计算可扩展的高维问题,我们的算法是能够找到正是大多数的$31$目标提取的文献上,我们评估它。
2019-06-10 cs.LG cs.NE
Evolution leads to a diversity of motion-detection neuronal circuits
Department of Computer Science and Engineering(计算机科学与工程系);BEACON Center for the Study of Evolution in Action(进化行为研究灯塔中心);Department of Microbiology and Molecular Genetics(微生物学与分子遗传学系);Program in Ecology, Evolutionary Biology, and Behavior(生态学、进化生物学与行为项目);Department of Physics and Astronomy, Michigan State University(密歇根州立大学物理与天文学系)
进化生物学的一个核心目标是解释生物多样性的起源和分布。除了物种或遗传多样性〈动〉性<动>,我们还观察到复杂功能特征背后的回路(遗传或其他)的多样性。然而,虽然遗传和物种多样性〈动〉性<动>的起源和维持背后的理论已经研究了几十年,但关于不同功能回路起源的理论仍处于起步阶段。目前还不知道有多少不同的电路结构可以实现任何给定的功能,哪些进化因素导致不同的电路,以及特定电路的进化是由于自适应还是非自适应过程。在这里,我们使用数字实验进化来研究数字(人工)大脑中编码运动检测的神经回路的多样性。我们发现,进化导致编码运动检测电路的潜在神经架构的巨大多样性,即使是编码完全相同功能的电路。进化后的电路在冗余度和复杂性方面都有所不同(如以前在遗传电路中发现的那样),这表明类似的进化原理是使用任何基底形成电路的基础。我们还表明,一个简单的(设计)的运动检测电路,是最佳适应增益的复杂性时,进一步发展,并选择突变的鲁棒性导致这种增益的复杂性。
2018-06-05 cs.CV cs.NE nlin.AO
Evolutionary One-Step Generators: Fast and Diverse Sampling for Discrete Design
University of Trento(特伦托大学);UiT The Arctic University of Norway(挪威北极圈大学)
提出EGO框架,通过单步推断和低秩进化策略训练紧凑生成器,实现离散设计任务中快速且多样的候选采样,显著提升产出效率与多样性。
2026-10-07 cs.LG cs.NE
Runtime Analysis of Evolutionary Diversity Optimization on the Multi-objective (LeadingOnes, TrailingZeros) Problem
The University of Adelaide(阿德莱德大学);University of Minnesota Duluth(明尼苏达大学德卢斯分校)
本文研究了在多目标(LeadingOnes, TrailingZeros)问题上进化多样性优化的运行时间,证明了GSEMO在特定度量下的高效性,并通过实验验证了理论结果的准确性。
2025-12-16 cs.AI cs.NE
Seeking Quality Diversity in Evolutionary Co-design of Morphology and Control of Soft Tensegrity Modular Robots
University of Trento(特伦托大学)
由于形态学和控制器之间的非平凡相互作用,设计最佳的软模块化机器人是困难的。进化算法(EA),结合物理模拟器,代表了一个有效的工具来克服这个问题。在这项工作中,我们研究的算法解决方案,以提高质量多样性的协同进化设计的张拉整体软模块化机器人(TSMRs)的两个机器人任务,即达到目标和挤压通过一个狭窄的通道。为此,我们使用三种不同的EA,即,MAP-Elites和两种自定义算法:一种基于生存力进化(ViE)和NEAT(ViE-NEAT),另一种称为双映射MAP-Elites(DM-ME),旨在寻求多样性,同时共同进化机器人形态和基于神经网络(NN)的控制器。详细地说,DM-ME扩展了MAP-Elites,因为它使用两个不同的特征图,分别指形态和控制器,并集成了一种机制来自动定义NN相关的特征描述符。考虑到适应度,在目标达成任务中,ViE-NEAT优于MAP-Elites,结果相当于DM-ME。相反,当考虑特征空间的“照明”方面的多样性时,DM-ME在两个任务上都优于其他两种算法,提供了更丰富的可能的机器人设计池,而ViE-NEAT在目标达成上显示出与MAP-Elites相当的性能,尽管它不利用任何地图。
2021-04-25 cs.NE cs.RO
Assessing Quality-Diversity Neuro-Evolution Algorithms Performance in Hard Exploration Problems
InstaDeep;Imperial College London(伦敦帝国理工学院);CNRS(法国国家科学研究中心);Sorbonne Université(索邦大学)
本文探讨了Quality-Diversity (QD)神经进化算法在困难探索问题中的应用,介绍了三个标准化基准及其基于Jax的开源实现,以支持QD算法的系统性评估与高效实验。
2023-09-08 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
Dominated Novelty Search: Rethinking Local Competition in Quality-Diversity
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Imperial College London(帝国理工学院);Amherst College(阿默斯特学院)
本文提出Dominated Novelty Search,将Quality-Diversity重新表述为通过适应度变换而非显式收集机制实现局部竞争的遗传算法,消除了预定义边界和参数需求,在标准基准及高维、无监督场景中均显著优于现有方法。
2025-02-01 cs.LG cs.NE
Learning to Act through Evolution of Neural Diversity in Random Neural Networks
IT University of Copenhagen(哥本哈根信息技术大学)
本研究针对人工神经网络多聚焦突触优化、神经元同质化的问题,提出优化神经参数以构建多样化神经元,证明仅进化神经参数即可解决强化学习任务,为神经多样性计算研究提供新方向。
2023-06-08 cs.AI cs.NE
Contextual Quality-Diversity Evolutionary Reinforcement Learning for HVAC Control in Tropical Commercial Buildings
本文提出 CQD-ERL 控制器,用于热带商业建筑 HVAC 监督控制,在新加坡建筑降阶环境训练后,经年度回测与 ASHRAE Guideline 36 基线对比,实现更优控制性能。
2026-08-13 cs.AI cs.LG cs.NE
Diversity and Social Network Structure in Collective Decision Making: Evolutionary Perspectives with Agent-Based Simulations
集体决策,尤其是基于群体的决策,在组织中至关重要。采用进化理论的方法进行集体决策,基于代理的模拟研究如何影响人类集体决策的代理人的多样性,在问题的理解和/或行为的讨论,以及他们的社会网络结构。模拟结果表明,具有一致问题理解的群体倾向于产生更高的效用值的想法,并显示出更好的决策收敛,但前提是集体问题理解没有群体水平的偏见。模拟结果还表明了面向选择(即,剥削的)和面向变化的(即,探索性的)行为,以实现质量的最终决定。扩大群体规模和引入非平凡的社会网络结构通常提高了决策收敛的成本的想法的质量。不同的社会网络拓扑结构的模拟显示,集体决策的小世界网络与高本地集群往往比随机或无标度网络更容易实现最高的决策质量。这种进化理论和模拟方法的集体,群体和多层次的决策未来的管理研究的影响进行了讨论。
2019-02-19 cs.MA cs.NE cs.SI