Towards Exploratory Quality Diversity Landscape Analysis
本研究初步探索将ELA应用于QD问题,验证了QD优化及相关参数会影响ELA特征,为后续自动化QD算法选择奠定基础。
2024-05-22 cs.NE
Self-Referential Quality Diversity Through Differential Map-Elites
差分MAP-Elites算法是一种将CVT-MAP-Elites算法的光照能力与差分进化算法的连续空间优化能力相结合的新算法。该算法的动机是观察照明算法,质量多样性算法一般,提供了定性的新的能力和应用程序的演化计算,但在其原始版本相对简单的优化。这里首次介绍的基本差分MAP-Elites算法相对简单,因为它简单地将差分进化的算子与CVT-MAP-Elites的地图结构相结合。基于25个数值优化问题的实验表明,差分MAP-Elites明显优于CVT-MAP-Elites,找到更好的质量和更多样化的解决方案。
2021-07-11 cs.NE
Comparing reliability of grid-based Quality-Diversity algorithms using artificial landscapes
质量多样性(QD)算法是一种新的优化方法,它搜索各种高性能解决方案的集合。它们可用于根据用户定义的特征有效地探索目标问题。然而,QD领域仍然没有广泛的方法和参考基准来比较这些算法。我们提出了一个简单的基准来比较QD算法的可靠性,通过优化Rastrigin函数,一个人工景观函数,通常用于测试全局优化方法。
2019-07-23 cs.NE
Modeling User Selection in Quality Diversity
实际工程优化和设计的初始阶段是一个发现的过程,在这个过程中,并非所有的需求都可以提前提出,或者很难形式化。质量多样性算法可以产生各种高性能的解决方案,为工程师和设计师提供了一个独特的机会,帮助他们寻找可能和高性能的解决方案。在这项工作中,我们开始回答这样一个问题:用户如何与质量多样性互动,并将其转化为互动式创新援助。通过对用户的选择进行建模,可以确定优化是否偏离用户的偏好。然后通过向目标函数添加惩罚来约束优化。我们提出了一个交互式质量多样性算法,可以考虑到用户的选择。该方法在一个新的多模态优化基准,允许执行各种优化任务进行评估。用户选择漂移的方法进行比较的规划和神经进化控制任务,从而显示其限制和可能性的最先进的替代品。
2019-07-16 cs.NE
Exploring the Feature Space of TSP Instances Using Quality Diversity
生成不同属性的实例是算法选择方法的关键,该方法区分给定组合优化问题的不同求解器的性能。近年来,已经引入了使用演化计算技术的各种方法。在本文中,我们通过提供一种基于质量多样性(QD)的新方法来为这一研究领域做出贡献,该方法能够探索整个特征空间。QD算法允许在给定的特征空间内创建高质量的解决方案,方法是将其分成框并提高每个框内的解决方案质量。我们使用我们的QD方法生成的TSP实例,可视化和分析的各种实例区分各种TSP求解器,并将其与由$(μ+1)$ -EA生成的TSP实例进行比较。
2022-04-12 cs.NE
Uncertain Quality-Diversity: Evaluation methodology and new methods for Quality-Diversity in Uncertain Domains
质量多样性优化(QD)已被证明在广泛的应用中产生有希望的结果。然而,QD方法在环境中存在不确定性的情况下会遇到困难,因为它影响了它们量化解决方案的真实性能和新颖性的能力。这个问题在以前的文献中已经被独立地强调了多次。在这项工作中,我们建议通过四个主要贡献统一对这个问题的看法。首先,我们正式不确定域的一个共同的框架:不确定QD设置,QD的一个特殊情况下,每个解决方案的适应度和描述符不再是固定值,但分布在可能的值。其次,我们提出了一种新的方法来评估不确定的QD方法,依赖于一个新的每代抽样预算和一组现有的和新的指标,专门为不确定的QD。第三,我们提出了三种新的不确定性量子点算法:归档采样、自适应采样和深度网格采样。我们提出这些方法,考虑到最近的进展,在量子点社区对使用硬件加速,使大量的并行评估,使采样负担得起的方法的不确定性。我们的最后也是第四个贡献是使用这个新的框架和相关的比较方法来衡量现有的和新的方法。我们再次证明了MAP-精英在不确定领域的局限性,并强调了现有的深度网格方法和我们的新算法的性能。这个框架和方法的目标是成为未来考虑不确定QD的工作的工具基准。
2023-03-27 cs.NE
QED: using Quality-Environment-Diversity to evolve resilient robot swarms
针对集群机器人故障恢复问题,提出基于环境多样性的新型行为描述符QED,结合质量-多样性算法构建无模型恢复方法,使故障影响降低2-3倍并能有效应对高影响故障。
2020-03-04 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
Tournament Informed Adversarial Quality Diversity
IT University of Copenhagen(哥本哈根IT大学);armasuisse Science+Technology(瑞士国防军工科学与技术)
本文提出竞赛引导的任务选择方法,通过比较解集的6种质量与多样性指标,提升对抗性质量与多样性,验证于Pong、猫鼠游戏和追捕者-逃避者游戏。
2026-05-15 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
Analysis of Quality Diversity Algorithms for the Knapsack Problem
质量多样性(QD)算法在处理诸如机器人、游戏和组合优化等领域的问题时已被证明是非常成功的。它们旨在最大限度地提高解决根本问题的所谓行为空间的不同区域的质量。在本文中,我们应用QD范式来模拟背包问题的动态规划行为,并提供了第一个运行时分析QD算法。我们表明,他们能够计算出预期的伪多项式时间内的最优解,并揭示参数设置,导致一个完全多项式随机逼近方案(FPRAS)。我们的实验研究评估不同的方法在经典的基准集上的行为空间中构建的解决方案,以及获得最佳解决方案所需的运行时间。
2022-07-28 cs.NE
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
Co-Evolutionary Diversity Optimisation for the Traveling Thief Problem
最近,不同的演化计算方法已经开发,生成一组高质量的不同的解决方案,为一个给定的优化问题。许多研究认为多样性1)是探索行为空间中的小生境(质量多样性)或2)增加解决方案的结构差异(进化多样性优化)的一种手段。在这项研究中,我们引入了一个协同进化算法,同时探索两个空间的多组件旅行小偷问题。结果表明,协同进化算法的能力,以实现显着更高的多样性相比,基线进化多样性算法从文献。
2022-07-28 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 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
Ensemble Feature Extraction for Multi-Container Quality-Diversity Algorithms
质量多样性算法搜索大量不同的高性能解决方案,而不是像典型的优化方法那样只搜索单个解决方案。它们特别适用于可以以多种不同方式解决的多模态问题,例如复杂的强化学习或机器人任务。然而,这些方法是高度依赖于选择的特征描述符(FD)量化的解决方案的行为的相似性。虽然FD通常需要手工设计,但最近的研究已经提出了通过使用特征提取技术(如PCA或自动编码器)自动定义FD的方法,以从先前探索的解决方案中学习问题的表示。在这里,我们将这些方法扩展到更复杂的问题,这些问题不能只依靠单一的表示进行有效的探索,而是需要一组不同的和互补的表示。我们描述了MC-AURORA,质量多样性的方法,同时优化几个集合的解决方案,每个具有不同的FD,这反过来,自动定义的一个合奏的模块化自动编码器。我们表明,这种方法产生的解决方案比单一代表方法产生的解决方案更多样化。
2021-05-03 cs.NE
Multi-Emitter MAP-Elites: Improving quality, diversity and convergence speed with heterogeneous sets of emitters
质量多样性(QD)优化是一个新的学习算法家族,旨在生成多样化和高性能解决方案的集合。在这些算法中,最近引入的协方差矩阵自适应MAP-Elites(CMA-ME)算法提出了发射器的概念,它使用预定义的启发式来驱动算法的探索。该算法被证明优于MAP-Elites,这是一种流行的QD算法,在许多应用中已经证明了有希望的结果。在本文中,我们介绍了多EMAP-Elites(ME-MAP-Elites),一种算法,直接扩展CMA-ME,提高其质量,多样性和数据效率。它利用了一组异构发射器的多样性,其中每种发射器类型以不同的方式改进优化过程。强盗算法根据当前情况动态地找到发射器的最佳选择。我们评估了ME-MAP-Elites在六项任务上的性能,从标准优化问题(100维)到机器人中复杂的运动任务。我们与CMA-ME和MAP-Elites的比较表明,ME-MAP-Elites在提供更多样化和更高性能的解决方案集合方面更快。此外,在不同的发射器之间没有有效的协同作用的情况下,ME-MAP-Elites相当于最好的比较算法。
2021-07-06 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
Discrete Gene Crossover Accelerates Solution Discovery in Quality-Diversity Algorithms
University of Edinburgh(爱丁堡大学);Edinburgh Napier University(爱丁堡纳皮尔大学)
本文提出一种基于离散基因交叉的突变操作符,通过增强变异操作,加速质量多样性算法中解的发现,提升搜索性能和多样性。
2026-02-14 cs.NE
Benchmark tasks for Quality-Diversity applied to Uncertain domains
本文针对不确定领域中 QD 算法评估缺失的问题,基于 Redundant Arm 提出含 8 个轻量任务、覆盖三类不确定性属性的 UQD 首个基准。
2023-04-26 cs.NE
On the Suitability of Representations for Quality Diversity Optimization of Shapes
本研究在建筑领域比较了多种编码对体素化网格QD优化的影响,发现部分间接编码优于直接编码,并提出一种多编码QD方法,其性能媲美最佳单编码方法。
2023-04-07 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
T-DominO: Exploring Multiple Criteria with Quality-Diversity and the Tournament Dominance Objective
现实世界的设计问题是约束、目标和特性的混乱组合。探索这些问题空间可以被定义为多标准探索(MCX)问题,其目标是产生一组在许多目标上具有高性能的多样化解决方案,同时避免在任何目标上的低性能。质量多样性算法产生所需的设计变化,但通常只考虑一个目标。我们提出了一个新的排名,T-DominO,专门设计用于处理MCX问题中的多个目标。T-DominO将个人相对于档案中的其他解决方案进行排名,优先考虑具有平衡性能的个人,而不是那些以牺牲其他目标为代价在少数目标上表现出色的个人。在每个MAP-Elites bin中只保留一个平衡的解决方案,以保持归档的视觉可访问性-这是设计探索的强大资产。我们说明了我们的方法在一组易于理解的基准,并展示其潜力在一个多目标的现实世界的架构案例研究。
2022-07-04 cs.NE
Coevolutionary Pareto Diversity Optimization
近年来,计算给定优化问题的不同高质量解集已成为一个重要的课题。在本文中,我们介绍了一种协同进化的帕累托多样性优化方法,该方法建立在成功地将约束单目标优化问题转化为一个双目标问题的基础上,将约束转化为一个额外的目标。我们新的帕累托多样性优化方法使用这种双目标公式来优化问题,同时还保持了一个额外的高质量解决方案的人口,其多样性相对于给定的多样性措施进行了优化。我们表明,我们的标准的协同进化Pareto多样性优化方法优于最近推出的DIVEA算法,该算法通过广义多样化贪婪采样和提高解决方案集的多样性后获得其初始种群。此外,我们研究可能的改进的帕累托多样性优化方法。特别是,我们表明,使用种群间交叉进一步提高了一组解决方案的多样性。
2022-04-12 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
On the Use of Quality Diversity Algorithms for The Traveling Thief Problem
在现实世界的优化,这是常见的,面对几个子问题相互作用,形成主要问题。子问题之间存在相互依赖性,因此不可能只关注一个组件来解决这样的问题。旅行小偷问题(TTP)就是其中之一,它是旅行商问题(TSP)和背包问题(KP)的结合。本文利用质量多样性(quality diversity,QD)方法研究了TSP和KP的相互依赖性。QD算法提供了一个强大的工具,不仅要获得高质量的解决方案,但也说明了高性能的解决方案在行为空间中的分布。我们引入了一个MAP精英的进化算法,使用著名的TSP和KP搜索算子,以TSP和KP得分作为行为描述符。之后,我们进行了全面的实验研究,显示使用QD方法应用于TTP的有用性。首先,我们提供有关TSP/KP行为空间中高质量TTP解决方案的见解。之后,我们表明,更好的解决方案的TTP可以通过使用我们的QD方法,它可以提高最知名的解决方案的一些TTP的情况下,用于基准在文献中。
2023-01-04 cs.NE
Robustness for Free: Quality-Diversity Driven Discovery of Agile Soft Robotic Gaits
针对软体机器人步态在地形变化下脆弱的问题,本文提出用质量-多样性算法搜索高性能步态库,从而无需额外代价即获得显著优于单目标优化的跨地形鲁棒性。
2023-11-02 cs.NE
Quality Diversity through Human Feedback: Towards Open-Ended Diversity-Driven Optimization
Manning College of Information & Computer Sciences, University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校信息与计算机科学学院);University of British Columbia(不列颠哥伦比亚大学);Vector Institute(矢量研究所);Amherst College(阿默斯特学院);Stochastic Labs(随机实验室);Stability AI(Stability AI公司)
提出QDHF方法,通过逐步从人类对解决方案相似性的判断中推断多样性度量指标,解决了质量多样性算法依赖手工设计指标的问题,在开放式生成任务中显著提升了模型响应的多样性。
2024-06-04 cs.AI 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
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
Quality and Diversity Optimization: A Unifying Modular Framework
Imperial College London(帝国理工学院)
根据一个或多个目标找到最佳解决方案的函数优化在许多工程和研究领域中具有核心作用。最近,一个新的家庭的优化算法,称为质量多样性优化,已被介绍,并与经典算法进行了对比。质量多样性算法不是搜索单一的解决方案,而是搜索大量的多样化和高性能的解决方案。此集合的作用是尽可能涵盖可能多的解决方案类型,并包含每种类型的最佳解决方案。本文的贡献有三个方面。首先,我们提出了一个统一的框架的质量多样性优化算法,涵盖了这个家庭的两个主要算法(多维档案表型精英和新颖性搜索与本地竞争),并强调了大量的各种各样的变种,可以在这个家庭中进行调查。其次,我们提出了一个新的选择机制的质量多样性算法,优于本文测试的所有算法的算法。最后,我们提出了一个新的集合管理,克服了使用非结构化集合时观察到的侵蚀问题。这三个贡献的支持质量多样性算法在三个不同的实验方案进行了广泛的实验比较。
2017-05-12 cs.AI cs.NE
Procedural Content Generation through Quality Diversity
University of Malta(马耳他大学);New York University(纽约大学)
质量多样性(QD)算法搜索一组好的解决方案,覆盖的空间定义的行为度量。这种同时关注质量和多样性与明确的指标集QD算法除了标准的单目标和多目标进化算法,以及从多样性保护方法,如小生境。这些属性为游戏中的人工智能开辟了新的途径,特别是对于程序内容生成。创建多个系统性变化的解决方案可以为创造性的人机交互和适应性提供新的方法。在过去的几年中,一些应用程序的QD程序的内容生成和玩游戏已经提出,我们讨论这些问题,并提出未来工作的挑战。
2019-07-09 cs.AI cs.NE
Discovering Quality-Diversity Algorithms via Meta-Black-Box Optimization
Imperial College London(帝国理工学院);Sakana AI
本文提出利用元学习自动发现质量-多样性算法,通过注意力机制参数化竞争规则,所得算法在性能、泛化能力和多样性维持上均表现优异。
2025-02-04 cs.LG cs.NE
An Analysis of Phenotypic Diversity in Multi-Solution Optimization
Bonn-Rhein-Sieg University of Applied Sciences(波恩-莱茵-锡格应用科学大学);Leiden Institute of Advanced Computer Science, Leiden University(莱顿大学莱顿高等计算机科学研究所)
越来越多的优化方法被用来寻找不同的解集。我们比较解决方案的多样性在多目标优化,多模态优化,质量多样性在一个简单的域。我们发现,多目标优化并不总是产生太多的多样性,多模态优化产生更高的适应度的解决方案,和质量的多样性是不敏感的遗传中性,并创建最多样化的解决方案。自动编码器用于自动发现表型特征,产生具有质量多样性的更多样化的解决方案集。最后,我们对何时使用哪种方法提出建议。
2021-05-10 cs.LG cs.NE
Evolving Flying Machines in Minecraft Using Quality Diversity
Southwestern University(西南大学)
本文针对 EvoCraft 无法进化 Minecraft 飞行器的问题,结合基于适应度的进化与质量多样性算法 MAP-Elites,证明合适行为特征可显著提升飞行器发现的可靠性。
2023-04-19 cs.AI cs.NE
Efficient Quality Diversity Optimization of 3D Buildings through 2D Pre-optimization
Bonn-Rhein-Sieg University of Applied Sciences(波恩-莱茵-锡格应用技术大学);University of Siegen(锡根大学);Fraunhofer Institute for Algorithms and Scientific Computing (SCAI)(弗劳恩霍夫算法与科学计算研究所(SCAI))
质量多样性算法可以用来有效地创建一组不同的解决方案,以告知工程师的直觉。但是,质量多样性在非常昂贵的问题中并不有效,需要100.000次评估。即使有代理模型的辅助,质量多样性也需要上百甚至上千次的评估,这可能使其使用不可行。在这项研究中,我们试图解决这个问题,通过使用预优化策略的低维优化问题,然后映射到一个高维的情况下的解决方案。对于一个用例,以设计建筑物,最大限度地减少风的滋扰,我们表明,我们可以预测周围的三维建筑物的流动功能,从二维流动功能周围的建筑物的足迹。对于一组不同的建筑设计,通过使用质量多样性算法对2D足迹的空间进行采样,可以训练预测模型,该预测模型比在使用空间填充算法(如Sobol序列)选择的一组足迹上训练时更准确。仅在3D中模拟16个建筑物,创建了一组1024个具有低预测风干扰的建筑物设计。我们表明,我们可以通过产生具有质量多样性的训练数据而不是使用常见的采样技术来产生更好的机器学习模型。该方法可以在计算昂贵的3D域中引导生成式设计,并允许工程师扫描设计空间,在早期设计阶段了解风干扰。
2023-03-28 cs.LG cs.NE
Efficient Exploration using Model-Based Quality-Diversity with Gradients
Imperial College London(帝国理工学院)
探索是强化学习中的一个关键挑战,特别是在长视野、欺骗性和稀疏奖励的环境中。对于这些应用,基于人口的方法已证明是有效的。质量多样性等方法通过鼓励新的解决方案和产生行为的多样性来解决这个问题。然而,这些方法是由无向采样(即突变)或使用参数空间中的近似梯度(即演化策略)驱动的,这使得它们的采样效率非常低。在本文中,我们提出了一个基于模型的质量多样性的方法。它扩展了现有的QD方法,使用梯度进行有效的开发,并利用想象中的扰动进行有效的探索。我们的方法同时优化了种群的所有成员,通过利用QD算法作为良好的数据生成器的有效性来训练深度模型,从而有效地保持性能和多样性。我们证明,它保持了基于人口的方法的不同搜索能力的任务与欺骗性奖励,同时显着提高他们的样本效率和解决方案的质量。
2022-11-22 cs.AI cs.LG cs.NE
Quality-diversity in dissimilarity spaces
本研究将Magnitude理论框架应用于通用相异空间,构建质量-多样性算法,实例化的通用版Go-Explore算法展现出良好性能。
2026-09-07 cs.AI cs.NE math.OC
ARCH-Elites: Quality-Diversity for Urban Design
本文介绍了ARCH-Elites,MAP-Elites的实现,可以通过预先训练的代理模型,而不是昂贵的模拟重新配置大规模的城市布局在现实世界的位置。在一系列的实验中,我们在马萨诸塞州波士顿的两个真实世界的位置产生新的城市设计。将对可能性空间的探索与实时性能评估相结合,为建筑生成设计创造了一个强大的新范式,可以提取和表达设计智能。
2021-04-18 cs.HC cs.NE
Autonomous skill discovery with Quality-Diversity and Unsupervised Descriptors
Imperial College London(帝国理工学院)
质量多样性优化是一种新的优化算法家族,它不是搜索单个最优解来解决任务,而是搜索大量的解决方案,这些解决方案都以不同的方式解决任务。这种方法对于学习机器人中的行为库特别有前途,因为这种行为的多样性使机器人变得更加多才多艺和有弹性。然而,这些算法需要用户手动定义行为描述符,用于确定两个解决方案是不同还是相似。行为描述符的选择是至关重要的,因为它完全改变了算法推导的解决方案类型。在本文中,我们介绍了一种新的方法来自动定义这个描述符相结合的质量多样性算法与无监督降维算法。这种方法使机器人能够在与环境交互的同时自主发现其能力范围。两个实验场景的结果表明,机器人可以自主发现大范围的可能的行为,没有任何先验知识的形态和环境。此外,这些行为被认为类似于使用领域知识的手工解决方案,并且比使用现有的无监督方法时更加多样化。
2019-05-28 cs.NE cs.RO
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
Empowering Quality Diversity in Dungeon Design with Interactive Constrained MAP-Elites
Malmö University(马尔默大学);New York University(纽约大学)
我们建议使用质量多样性算法的混合主动游戏内容生成。这个想法是作为进化地牢设计器的一个新功能实现的,进化地牢设计器是一个混合主动设计的系统,你通常会在电脑角色扮演游戏中找到这种类型的关卡。该功能使用MAP-Elites算法,这是一种照明算法,它将种群划分为多个单元,具体取决于它们沿多个行为维度的值。用户可以灵活地、动态地选择相关的变异维度,并将算法产生的建议融入到地图设计中。同时,人类执行的任何修改都会反馈到MAP-精英中,并用于生成进一步的建议。
2019-06-12 cs.AI cs.NE
Vector Quantized-Elites: Unsupervised and Problem-Agnostic Quality-Diversity Optimization
Computational Intelligence Laboratory (CILab), Department of Mathematics, University of Patras(数学系计算智能实验室(CILab),帕特拉大学);Laboratory of Automation and Robotics (LAR) in the Department of Electrical & Computer Engineering, University of Patras(电气与计算机工程系自动化与机器人实验室(LAR),帕特拉大学)
VQ-Elites通过无监督学习构建结构化行为空间,实现灵活且任务无关的质量-多样性优化。
2025-11-19 cs.AI cs.LG cs.NE
Expressivity of Parameterized and Data-driven Representations in Quality Diversity Search
Leiden Institute of Advanced Computer Science(莱顿高级计算机科学研究所);Bonn-Rhein-Sieg University of Applied Sciences(波恩-莱茵-锡格应用科学大学);Queen Mary University of London(伦敦玛丽女王大学);SensiLab, Monash University(莫纳什大学SensiLab)
我们认为多解决方案的优化和生成模型的生成不同的文物和发现新的解决方案。在域的变化因素未知或太复杂而无法手动编码的情况下,生成模型可以提供学习的潜在空间来近似这些因素。然而,当用作搜索空间时,可能输出的范围和多样性受限于学习模型的表达能力和生成能力。我们比较了在两个不同的搜索空间中进行的质量多样性进化搜索的输出多样性:1)预定义的参数化空间和2)变分自编码器模型的潜在空间。我们发现,搜索一个明确的参数编码创建更多样化的工件集比搜索潜在的空间。一个学习过的模型更擅长在已知数据点之间进行插值,而不是外推或扩展到看不见的例子。我们建议使用生成模型的潜在空间主要用于度量工件之间的相似性,而不是用于搜索和生成。只要可以获得参数编码,它就应该优于学习的表示,因为它产生更高多样性的解决方案。
2021-05-10 cs.LG cs.NE
Soft Quality-Diversity Optimization
University of Southern California(南加州大学);Archimedes AI(阿基米德人工智能)
本文提出软QD框架,通过避免离散化解决QD优化问题,推出SQUAD算法在高维问题中具有更好的可扩展性。
2026-03-04 cs.LG cs.NE
Quality-Diversity Optimization: a novel branch of stochastic optimization
Computer Technology Institute & Press “Diophantus” (CTI)(“丢番图”计算机技术研究所与出版社(CTI));Imperial College London(伦敦帝国学院);Research Centre on Interactive Media, Smart Systems and Emerging Technologies(互动媒体、智能系统与新兴技术研究中心);Inria(法国国家信息与自动化研究所(Inria));CNRS(法国国家科学研究中心(CNRS));Université de Lorraine(洛林大学)
传统的优化算法搜索一个单一的全局最优值,最大化(或最小化)的目标函数。多峰优化算法在搜索空间中搜索可能多于一个的最高峰。质量多样性算法是演化计算工具箱中的一个新成员,它不仅搜索一组局部最优解,而且试图照亮搜索空间。实际上,它们提供了高性能解决方案如何分布在整个搜索空间中的整体视图。与多模态优化算法的主要区别在于:(1)质量多样性通常在行为空间(或特征空间)中工作,而不是在基因型(或参数)空间中工作;(2)质量多样性试图填充整个行为空间,即使小生境不是适应度景观中的峰值。在本章中,我们将对质量多样性优化进行简单的介绍,讨论主要的代表性算法,以及社区中正在考虑的主要当前主题。在本章中,我们还讨论了质量多样性算法的几个成功应用,包括深度学习、机器人和强化学习。
2020-12-17 cs.LG cs.NE math.OC
Tackling Neural Architecture Search With Quality Diversity Optimization
LMU Munich(慕尼黑大学);University of Warwick(华威大学);Warwick Business School(华威商学院)
神经结构搜索(NAS)已被广泛研究,并已发展成为一个具有重大影响的研究领域。传统的单目标NAS搜索具有最佳性能的架构,而多目标NAS考虑应同时优化的多个目标,例如,最小化验证错误的资源使用。虽然在多目标NAS领域已经取得了相当大的进展,我们认为,有一些实际的优化问题的实际利益和优化问题,多目标NAS试图解决之间的差异。我们通过将多目标NAS问题公式化为质量多样性优化(QDO)问题来解决这种差异,并引入三个质量多样性NAS优化器(其中两个属于多保真度优化器组),其搜索高性能但多样的架构,这些架构对于特定于应用的利基是最佳的,例如,硬件限制。通过比较这些优化的多目标同行,我们表明,质量多样性NAS一般优于多目标NAS的解决方案的质量和效率。我们进一步展示了应用程序和未来的NAS研究如何在QDO上蓬勃发展。
2022-07-30 cs.LG cs.NE stat.ML
Theoretical Analysis of Quality Diversity Algorithms for a Classical Path Planning Problem
University of Passau(帕绍大学);The University of Adelaide(阿德莱德大学)
本文对Map-Elites质量多样性算法在全对最短路径问题上的行为进行理论分析,证明其能高效并行求解,并提出加速的父代选择技术。
2024-12-16 cs.AI cs.NE
Relevance-guided Unsupervised Discovery of Abilities with Quality-Diversity Algorithms
Imperial College London(帝国理工学院)
质量多样性算法提供了有效的机制来生成大量的多样化和高性能的解决方案,这已被证明是有助于解决下游任务。然而,这些算法中的大多数依赖于行为描述符来描述手工编码的多样性,因此需要关于所考虑的任务的先验知识。在这项工作中,我们引入了相关性指导的无监督发现能力;质量多样性算法,自主地找到适合手头任务的行为特征。特别是,我们的方法引入了一个自定义的多样性度量,导致更高的密度的解决方案附近的区域的学习行为描述符空间。我们评估我们的方法在一个模拟的机器人环境中,机器人自主发现其能力的基础上,其完整的传感器数据。我们评估了三个任务的算法:导航到随机目标,高速前进,并执行半卷。实验结果表明,我们的方法设法发现集合的解决方案,不仅是多样化的,但也很好地适应所考虑的下游任务。
2022-04-21 cs.AI cs.LG cs.NE
Computing Diverse Sets of Solutions for Monotone Submodular Optimisation Problems
The University of Adelaide(阿德莱德大学)
子模函数允许模拟许多现实世界的优化问题。本文介绍了计算不同的高品质的解决方案,子模块优化问题的方法。我们首先提出多样化的贪婪采样方法,并分析它们的熵和所获得的解决方案的近似质量的多样性。之后,我们引入了一个进化的多样性优化方法,以进一步提高多样性的解决方案。我们进行了实验研究流行的次模块化的基准函数,表明相结合的方法实现高质量的解决方案的大的多样性。
2020-10-22 cs.AI cs.NE
Benchmarking Quality-Diversity Algorithms on Neuroevolution for Reinforcement Learning
Imperial College London(伦敦帝国理工学院)
我们为机器人控制的强化学习领域的深度神经进化提出了一个质量多样性基准套件。该套件包括任务、环境、行为描述符和适应性的定义。我们根据任务和由深度神经网络控制的代理的复杂性指定不同的基准。该基准使用标准的质量多样性指标,包括覆盖率,QD得分,最大适应度和存档配置文件指标来量化覆盖率和适应度之间的关系。我们还提出了如何量化的鲁棒性的解决方案,环境随机性,通过引入相同的指标的校正版本。我们相信,我们的基准是一个宝贵的工具,为社会比较和改善他们的调查结果。源代码可在线获取:https://github.com/adaptive-intelligent-robotics/QDax
2022-11-04 cs.AI cs.LG cs.NE
Learning to Walk Autonomously via Reset-Free Quality-Diversity
Imperial College London(帝国理工学院)
质量多样性(QD)算法可以发现由多样化和高性能技能组成的大型复杂行为库。然而,行为剧目的生成主要限于模拟环境,而不是现实世界的学习。这是因为现有的QD算法需要大量的评估以及情节重置,这需要人工的人类监督和干预。本文提出了无重置质量多样性优化(RF-QD)作为在开放式环境中机器人自主学习的一步。我们建立在动态感知质量多样性(DA-QD)的基础上,并引入了一种行为选择策略,该策略利用想象的曲目和环境信息的多样性来智能地选择可以作为自动重置的行为。我们通过学习在有障碍的训练区内行走的任务来证明这一点。我们的实验表明,我们可以学习完整的剧目的腿运动控制器自主没有手动复位高样本效率,尽管苛刻的安全约束。最后,使用消融不同的目标,我们表明,它是重要的RF-QD有不同类型的解决方案可用于行为选择政策的解决方案优化了一个特定的目标。视频和代码可在https://sites.google.com/view/rf-qd获得。
2022-04-07 cs.AI cs.LG cs.NE
Beyond Scale: The Diversity Coefficient as a Data Quality Metric for Variability in Natural Language Data
Department of Computer Science, Stanford University(计算机科学系,斯坦福大学)
本文提出多样性系数以形式化度量自然语言数据的变异性,并通过GPT-2和LLaMAv2的44个模型实验证明该系数能刻画下游评估性能,揭示数据多样性是超越规模的关键质量因素。
2025-07-02 cs.AI cs.CL cs.LG
QDax: A Library for Quality-Diversity and Population-based Algorithms with Hardware Acceleration
InstaDeep(InstaDeep公司);Imperial College London(帝国理工学院)
QDax 是一个基于 Jax 的开源库,为质量-多样性、神经进化和强化学习算法提供模块化 API 与硬件加速支持,并通过丰富示例、完善文档和 95% 测试覆盖率简化研究实验。
2023-08-07 cs.AI cs.NE