On Asynchronous Non-Dominated Sorting for Steady-State Multiobjective Evolutionary Algorithms
在并行和分布式环境中，世代进化算法往往不利用计算系统的全部潜力，因为它们必须等到整个人口进行评估，然后才开始选择程序。稳态算法通常被视为解决这个问题的一种方法，因为适应度评估可以由多个线程以异步方式完成。但是，如果算法以复杂的方式更新其状态，线程最终将不得不等待更新完成。在多目标进化算法中，状态更新过程的计算开销很大。我们已经实现了一个异步稳态版本的NSGA-II算法。它最昂贵的部分，非支配排序，决定了更新状态所需的时间。我们把现有的增量非支配排序算法变成一个异步的使用几个并发技术：一个单一的入口级锁，细粒度的锁与非支配级别，和一个非阻塞的方法，使用比较和设置操作。我们的实验结果揭示了算法的工作效率和实现的并行量之间的权衡。
2018-04-14 cs.DS cs.NE
Non-Elitist Evolutionary Multi-Objective Optimisation: Proof-of-Principle Results
本文提出一种摒弃精英主义的简单多目标进化算法NE-MOEA，仅用Pareto支配排序进行种群更新，实验证明其在多个组合问题上可与NSGA-II等经典精英算法竞争。
2023-05-26 cs.NE
Self-Adjusting Mutation Rates with Provably Optimal Success Rules
五分之一成功规则是控制进化算法参数的最著名和最广泛接受的技术之一。虽然它通常在字面意义上应用，但通常的解释是将五分之一成功规则视为由更新强度$F$和成功率确定的基于成功的更新规则族。在这项工作中，我们分析的性能（1+1）进化算法的LeadingOnes取决于这两个超参数。我们的主要结果表明，最好的性能是获得小的更新强度$F=1+o(1)$和成功率$1/e$。我们还证明了通过这种参数设置获得的运行时间，除了低阶项，与最佳适应度依赖的突变率相同。我们显示了类似的结果的（1+1）进化算法，强制翻转至少一个比特每次迭代的restaurant变体。
2021-12-28 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
Recruitment-imitation Mechanism for Evolutionary Reinforcement Learning
Jilin University（吉林大学）
强化学习、进化算法和模仿学习是处理连续控制任务的三种主要方法。强化学习样本效率高，但对超参数设置敏感，需要有效探索;进化算法稳定，但样本效率低;模仿学习样本效率高，但需要专家数据指导。在本文中，我们提出了招募模仿机制（RIM）的进化强化学习，一个可扩展的框架，结合了上述三种方法的优点。该框架的核心是一个双行动者和单批评强化学习代理。该代理可以从进化算法的群体中招募高适应度的演员，这指示自己从经验重放缓冲区中学习。同时，进化种群中的低适应度行为体可以模仿强化学习Agent的行为模式，提高其自适应能力。该框架中的强化学习器和模仿学习器可以用任何非策略的行动者-批评者强化学习器或数据驱动的模仿学习器来代替。我们在Mujoco中对RIM进行了一系列连续控制任务的基准测试。实验结果表明，RIM优于以前的进化或强化学习方法。RIM组件的性能明显优于以前的进化强化学习算法的组件，使用软更新的招聘使强化学习代理学习速度比使用硬更新。
2019-12-13 cs.AI cs.LG 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
What Weights Work for You? Adapting Weights for Any Pareto Front Shape in Decomposition-based Evolutionary Multi-Objective Optimisation
基于分解的进化多目标优化（EMO）算法生成的解集的质量很大程度上取决于给定问题的Pareto前沿形状与指定权重分布之间的一致性。一组均匀分布在单纯形中的权重通常会在具有类似单纯形形状的帕累托前沿上产生一组分布良好的解，但可能会在其他帕累托前沿形状上失败。如何在不知道问题的Pareto前沿的情况下确定一组合适的权值是一个悬而未决的问题。在本文中，我们提出了一种方法，以适应在进化过程中的权重（称为AdaW）。AdaW逐步寻求一个合适的权重分配给给定的问题，阐述了五个部分的权重适应-权重生成，权重添加，权重删除，档案维护，和权重更新频率。实验结果表明了该方法的有效性。AdaW适用于具有非常不同形状的Pareto前沿：1）单纯形，2）倒置单纯形，3）高度非线性，4）断开，5）退化，6）不良标度，7）高维。
2017-09-08 cs.NE
Learning to Evolve for Optimization via Stability-Inducing Neural Unrolling
The Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
本文提出L2E框架，通过稳定性诱导神经展开学习进化搜索，实现稳定性和适应性的平衡，提升优化性能和跨任务泛化能力。
2026-03-03 cs.NE
Evolutionary Algorithms for Designing Reversible Cellular Automata
可逆元胞自动机（RCA）是一种特殊的平移不变变换，其特征在于动力学仅由不相交的循环组成。它们在物理系统的模拟、密码学和可逆计算中有着广泛的应用。在这项工作中，我们制定了搜索的一个特定的类RCA -即，那些本地更新规则被定义为保守的景观-作为一个优化问题，以解决遗传算法（GA）和遗传编程（GP）。特别是，我们的实验调查围绕着三个不同的研究问题，我们通过一个单一的目标，多目标，和词典的方法来解决。从我们的实验中得到的结果证实了以前的研究结果，并揭示了新的光1）GA和GP的相关优化问题的困难，2）保守景观CA在密码学和可逆计算领域的相关性，以及3）可逆性和汉明重量之间的关系。
2021-05-25 cs.NE
Evolution Transformer: In-Context Evolutionary Optimization
TU Berlin（柏林工业大学）；Google DeepMind（谷歌DeepMind）
针对进化优化算法难以利用过程信息的问题，提出具备合适归纳偏置的Evolution Transformer架构，通过进化算法蒸馏训练，实现优异的上下文内优化与神经进化任务泛化能力，还提出自引用训练方法并开源实现。
2024-03-05 cs.AI cs.NE
A Non-Dominated Sorting Evolutionary Algorithm Updating When Required
针对NSGA-III在不规则Pareto前沿上参考点失配的问题，本文提出按需更新的混合算法NSGA-III-UR，根据前沿规则性选择性激活参考向量自适应，在多个基准和实际问题上优于NSGA-III与A-NSGA-III。
2025-07-05 cs.NE
Surrogate Assisted Evolutionary Algorithm for Medium Scale Expensive Multi-Objective Optimisation Problems
构建目标函数的代理模型已被证明是有效的，以协助进化算法（EA）解决现实世界中复杂的优化问题，涉及计算昂贵的数值模拟或昂贵的物理实验。然而，它们的有效性主要集中在小于10个决策变量的小规模问题。代理辅助EA（SAEA）的可扩展性还没有得到很好的研究。在本文中，我们提出了一个高斯过程代理模型辅助EA的中型昂贵的多目标优化问题，多达50个决策变量。我们提出的SAEA有三个显著特点。首先，在建立代理模型时，我们不使用所有的决策变量，而是只使用那些相关的决策变量来为每个目标函数建立代理模型。其次，而不是直接优化的代理目标函数，原来的多目标优化问题转化为一个新的代理模型的基础上。最后，提出了一种子集选择方法来选择几个有希望的候选解用于实际的目标函数评估，从而更新训练数据集。在10、20、50个变量的基准问题上验证了算法的有效性，并与三种最先进的SAEA算法进行了比较。
2020-02-08 cs.NE
A Distribution Evolutionary Algorithm for the Graph Coloring Problem
针对图着色这一组合优化难题，提出基于概率模型种群的分布进化算法DEA-PPM，通过分布与解种群协同进化平衡探索与利用，小种群下性能媲美现有顶尖元启发式算法。
2023-05-02 cs.NE
A many-objective evolutionary algorithm using indicator-driven weight vector optimization
Qinghai Normal University（青海师范大学）
针对不规则帕累托前沿下固定权重向量导致的分布不均问题，提出基于MOEA/D框架、融合简化超体积指标与R2指标的自适应多目标进化算法，实现权重向量动态调整，实验证明其优于六种先进算法。
2025-10-03 cs.NE
The (1+$λ$) Evolutionary Algorithm with Self-Adjusting Mutation Rate
本文提出了一种新的方法来自调整离散搜索空间中基于种群的进化算法的变异率。粗略地说，它包括创造一半的后代，其突变率是当前突变率的两倍，另一半是当前突变率的一半。然后将突变率更新为包含最佳后代的子群体中使用的速率。我们分析了具有这种自调整突变率的$(1+λ)$进化算法如何优化OneMax测试函数。我们证明，这个动态版本的$(1+λ)$ EA发现在预期的优化时间（适应度评估数）的$O(nλ/\logλ+n\log n)$的最佳。该时间渐近小于经典$(1+λ)$ EA的优化时间。以前的工作表明，这种性能是最好的可能在所有的$λ$并行变异为基础的无偏黑箱算法。这一结果表明，调整变异率的新方法可以在运行中找到最佳的动态参数值。由于我们的调整机制比以前用于调整突变率的机制更简单，并且本身没有参数，因此我们乐观地认为它会找到其他应用。
2018-05-25 cs.NE
An Adaptive Framework to Tune the Coordinate Systems in Evolutionary Algorithms
在演化计算研究领域中，大多数进化算法的性能在很大程度上依赖于它们所采用的坐标系。然而，常用的坐标系是固定的，不适合不同的功能景观，EA因此可能无法有效地搜索。为了克服这一缺点，在本文中，我们提出了一个框架，名为ACoS，自适应调整的坐标系EA。在ACoS中，本征坐标系的建立，利用累积的人口分布信息，可以得到的基础上的协方差矩阵自适应策略和额外的存档机制。由于人口分布信息能在一定程度上反映功能景观的特征，因此本征坐标系下的进化分析具有识别功能景观形态的能力。此外，本征坐标系与原始坐标系耦合，并根据概率向量选择它们。概率向量的目的是确定每个坐标系对每个个体的选择比率，并且基于从后代收集的信息自适应地更新。ACoS已经应用于两个最流行的EA范例，即，粒子群优化（PSO）和差分进化（DE），在2014年IEEE演化计算大会上解决了30和50维的30个测试函数。实验研究证明了其有效性。
2017-03-18 cs.NE
A hybrid evolutionary algorithm with importance sampling for multi-dimensional optimization
针对多维优化问题，提出了一种基于重要性采样方法的混合进化算法。为了利用搜索过程中提供的信息，选择一组访问过的解决方案来为每个维度中的间隔提供分数，并且随着算法的进行而更新。具有较高得分的那些区间被认为是好区间，其用于通过良好遗传学池（具有较小适应度值的个体）之间的相互作用来估计最优解的联合分布。而优良遗传的抽样概率是通过这些估计的优良区间之间的相互作用来确定的。它是一种交叉验证机制，确定好区间和遗传的采样概率，并使用重要性采样方法设计交叉、变异和其他随机算子。由于遗传和区间的选择不直接依赖于适应度的大小，所产生的后代可以避免局部最优的陷阱。算法中还引入了一种纯随机进化算法，以保持种群的多样性。通过30个基准测试函数对算法的性能进行了测试，结果表明，该混合算法是一种有效的多维优化算法.
2013-08-23 cs.NE
Supplementing Gradient-Based Reinforcement Learning with Simple Evolutionary Ideas
TCS Research（塔塔咨询服务公司研究院）；IIT Bombay（印度理工学院孟买分校）
提出一种结合进化算子与共享经验缓冲区的强化学习算法，通过稀疏进化探索补充梯度训练，样本高效且对超参数鲁棒，并发现仅共享记忆的多智能体训练即优于标准基线。
2023-05-10 cs.AI cs.NE
Weight Adaptation for Improving Parallel Performance of Adaptive Stochastic Natural Gradient
Yokohama National University（横滨国立大学）
提出WA-ASNG，通过梯度上升自适应更新权重参数，最大化自然梯度信号，在二进制优化问题中优于PBIL和ASNG，并有效处理强噪声。
2026-06-19 cs.NE
Algorithm Discovery With LLMs: Evolutionary Search Meets Reinforcement Learning
EPFL（苏黎世联邦理工学院）；Apple（苹果公司）
提出通过强化学习微调持续优化大语言模型，结合进化搜索加速发现更优算法，在组合优化任务上验证有效性。
2025-08-04 cs.AI cs.LG cs.NE
AED: An Anytime Evolutionary DCOP Algorithm
进化优化是一种通用的基于种群的元启发式算法，可以适用于解决各种各样的优化问题，并已被证明是非常有效的组合优化问题。然而，这种元启发式的潜力还没有被利用在分布式约束优化问题（DCOPs），一个众所周知的类组合优化问题普遍存在于多智能体系统。在本文中，我们提出了一种新的基于人口的算法，任何时间进化DCOP（AED），使用进化优化来解决DCOP。在AED中，代理合作构建一组初始的随机解，并通过一个新的机制，考虑局部利益的乐观近似逐步改善它们。此外，我们提出了一个新的随时更新机制AED，确定最好的一组分布式候选解决方案，并通知所有的代理时，发现一个新的最好的。在我们的理论分析，我们证明了AED是随时。最后，我们提出的实证结果表明AED优于国家的最先进的DCOP算法的解决方案的质量。
2020-09-02 cs.MA cs.NE
Evolving Deep Learning Optimizers
Sas.upenn.edu（宾夕法尼亚大学）
本文通过进化算法发现优于Adam的深度学习优化器，其结合符号梯度项和自适应矩估计，提升模型性能并揭示不同设计原则。
2025-12-05 cs.LG cs.NE
BiERL: A Meta Evolutionary Reinforcement Learning Framework via Bilevel Optimization
Nanjing University（南京大学）；Tianjin University（天津大学）
本文提出基于双层优化的元进化强化学习框架BiERL，通过在单智能体内并行更新超参数与训练模型，并设计嵌入演化经验的种群表示及适应度评估，有效缓解了探索不足与模型崩溃问题，显著提升了多种ERL算法的学习性能。
2023-08-01 cs.AI cs.LG cs.NE
Evolutionary Multi-Armed Bandits with Genetic Thompson Sampling
Columbia University（哥伦比亚大学）
在线学习和演化计算作为机器学习的两大流派，已经成为现实世界决策引擎背后的两大重要驱动力，在生物医学、经济学和工程学领域得到广泛应用。虽然有利用土匪来改善进化算法的优化过程的工作，它仍然是一个空白领域的进化方法如何可以帮助改善在线学习代理，如多臂土匪的顺序决策任务。在这项工作中，我们提出了遗传汤普森采样，一个强盗算法，保持人口的代理和更新他们的遗传原则，如精英选择，交叉和突变。在多臂土匪模拟环境和一个实际的流行病控制问题的实证结果表明，通过将遗传算法到土匪算法，我们的方法显着优于基线在非平稳设置。最后，我们介绍了EvoBandit，一个基于Web的交互式可视化，以指导读者完成整个学习过程，并在飞行中执行轻量级评估。我们希望通过这项调查让研究人员参与到这一不断发展的研究领域中。
2022-04-26 cs.AI cs.LG cs.MA
A Secure Federated Data-Driven Evolutionary Multi-objective Optimization Algorithm
Westlake University（西湖大学）；Bielefeld University（比勒费尔德大学）；Eötvös Loránd University（厄特沃什·罗兰大学）；E-Group ICT Software Zrt（E集团信息通信技术软件公司）
针对集中式数据驱动进化算法的隐私安全问题，提出一种安全的联邦数据驱动多目标优化算法，通过随机客户端查询和Diffie-Hellman噪声掩蔽保护原始数据与新解，在基准上以极小性能代价实现隐私保护。
2023-09-03 cs.AI cs.CR cs.NE
LLEMA: Evolutionary Search with LLMs for Multi-Objective Materials Discovery
Department of Computer Science, Virginia Tech（弗吉尼亚理工学院计算机科学系）；Center of Integrated Nanotechnologies, Sandia National Laboratories（桑迪亚国家实验室集成纳米技术中心）
LLEMA结合大语言模型与进化规则，通过多目标优化提升材料发现效率，实现高命中率和稳定性质的候选材料生成。
2026-03-05 cond-mat.mtrl-sci cs.AI cs.LG
ToolMol: Evolutionary Agentic Framework for Multi-objective Drug Discovery
Department of Computer Science（计算机科学系）；Skaggs School of Pharmacy（斯卡格斯药学院）；Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
ToolMol结合多目标遗传算法与代理LLM操作符，通过迭代更新配体群体，实现多目标属性优化，发现具有更强预测结合亲和力的药物候选物。
2026-05-14 cs.LG cs.NE q-bio.QM
