CACO : Competitive Ant Colony Optimization, A Nature-Inspired Metaheuristic For Large-Scale Global Optimization
大规模问题是需要元分析或全局优化算法的非线性问题。本文首先回顾了自然启发的元优化算法，然后介绍了一个受昆虫化学通讯启发的竞争蚁群优化算法框架。最后，通过一个实例研究了所提出的大规模全局优化框架。
2013-12-14 cs.NE
A Brief Overview of Physics-inspired Metaheuristic Optimization Techniques
Jadavpur University（贾达普大学）；Department of Information Technology（信息技术系）；Department of Computer Science and Engineering（计算机科学与工程系）
元启发式算法是设计用于有效地解决计算上具有挑战性的优化问题的方法。研究人员从各种自然和物理过程中获得灵感，制定了元计算方法，成功地为几项工程任务提供了接近最佳或最佳的解决方案。本章重点介绍了基于非线性物理现象的元启发式算法，这些算法具有具体的优化范式，对此类优化问题具有强大的探索和开发能力。具体来说，本章重点介绍了几种流行的基于物理的元算法，并描述了与每个算法相关的底层独特物理过程。
2022-01-30 cs.AI cs.NE
High-level hybridization of heuristics and metaheuristics to solve symmetric TSP: a comparative study
针对经典对称 TSP，本文比较八种元启发式方法与 k-OPT、SISR 及线段相交搜索启发式的二十四种高层混合组合，在不调参情况下评估 50–280 城市问题并与文献结果对比。
2024-10-28 cs.DM cs.NE math.OC
A novel metaheuristic method for solving constrained engineering optimization problems: Drone Squadron Optimization
几个约束优化问题已经得到充分解决，多年来由于在metabolistics领域的进步。在本文中，我们评估了一种新的自适应和自动建设性的元启发式称为无人机中队优化（DSO）在解决约束工程设计问题。本文评估DSO与死刑三个广泛测试的工程设计问题。结果表明，该方法是有竞争力的一些非常流行的元分析。
2017-08-04 cs.NE math.OC
Metaheuristic optimization of power and energy systems: underlying principles and main issues of the 'rush to heuristics'
Politecnico di Torino（都灵理工大学）
在电力和能源系统领域，包含应用元启发式算法的文献贡献逐渐增加。在许多情况下，这些应用程序的目的仅仅是提出一个现有的元启发式算法对一个特定的问题进行测试，声称所提出的方法是优于其他方法的基础上弱比较。这种“急于求成”的现象并不发生在演化计算领域，因为在进化计算领域中，建立严格比较的规则更为严格，但这是元计算的典型应用领域。本文认为，电力和能源系统的应用，并旨在提供一个全面的观点的主要问题，使用元分析的全局优化问题。一组基本原则，特点的元启发式算法。定制的元启发式算法，以适应特定问题的约束进行了讨论。在文献贡献中发现的一些弱点和陷阱被确定，并提供了具体的指导方针，就如何准备合理的贡献，应用元启发式算法的具体问题。
2020-08-17 cs.AI cs.NE
Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics
AGH University of Science and Technology（AGH科技大学）；Tomas Bata University in Zlín（兹林托马斯·巴塔大学）
元优化算法是一种通用的优化算法，可以用来解决经典方法无法解决的难题。在本文中，我们的目的是构建新的社会认知元启发式的基础上种姓，并应用该算法的几个版本的时滞系统模型的优化。除了给出所提出的算法的背景和细节，我们将它们应用到优化的问题的选定的变体，并讨论结果。
2022-10-23 cs.AI cs.NE
Applications of Nature-Inspired Metaheuristic Algorithms for Tackling Optimization Problems Across Disciplines
University of California, Los Angeles（加州大学洛杉矶分校）；Alibaba Group（阿里巴巴集团）；Tsinghua University（清华大学）；National Cheng Kung University（国立成功大学）
本文提出用带变异因子的竞争群优化器（CSO-MA）这一自然启发式元启发式算法，解决多领域统计学优化问题，验证了其高效性、灵活性及优于传统统计优化算法的性能。
2024-08-19 cs.AI cs.LG cs.NE
Constrained Hybrid Metaheuristic: A Universal Framework for Continuous Optimisation
AGH University of Krakow（克拉科夫AGH科技大学）；Systems Research Institute, Polish Academy of Sciences（波兰科学院系统研究所）；Warsaw University of Technology（华沙理工大学）
本文提出了一种约束混合元启发式算法，适用于各种连续优化问题，通过模块化结构和两阶段操作提高收敛性和鲁棒性，实验表明其在解质量和收敛速度上优于传统算法。
2026-03-18 cs.NE
Memory-Driven Metaheuristics: Improving Optimization Performance
University of Zanjan（赞詹大学）
本章探讨记忆机制在元启发式算法中的重要性，分析影响其有效性的关键因素，结合知名算法剖析记忆机制的应用，强调其对优化性能的提升作用并给出未来研究方向。
2024-11-07 cs.AI cs.NE
Gnowee: A Hybrid Metaheuristic Optimization Algorithm for Constrained, Black Box, Combinatorial Mixed-Integer Design
本文介绍了Gnowee，一个模块化的，基于Python的，开源的混合元启发式优化算法（可从https：//github.com/SlaybaughLab/Gnowee获得）。Gnowee是专为快速收敛到接近全局最优的解决方案，复杂的，约束的核工程问题与混合整数和组合设计向量和高成本，噪声，不连续，黑箱目标函数评估。Gnowee的混合元启发式框架是一组不同的，强大的启发式算法的新组合，在广泛的优化问题中适当地平衡多样化和集约化策略。这种新的算法是专门开发的，以优化复杂的核设计问题，激励研究的问题是设计的材料堆叠修改中子能谱，以特定的目标谱的应用在核医学，技术核法医学，核物理等，但是，有更广泛的潜在应用范围内的核社区和超越这种算法。为了证明Gnowee的各种问题类型的行为，Gnowee和几个完善的元启发式算法之间的比较，一组18个连续的，混合整数，组合基准。这些结果表明Gnowee在广泛的设计空间中具有卓越的灵活性和收敛特性。我们预计这种广泛的适用性将使该算法适用于许多复杂的工程应用。
2018-04-15 cs.NE
The Hybridization of Branch and Bound with Metaheuristics for Nonconvex Multiobjective Optimization
针对非凸多目标优化问题，提出了一种结合分支定界法和多目标进化算法的混合框架。杂交利用了两种优化策略的互补特性。多目标进化算法的目的是诱导严格的下限和上界在分支定界过程。像这样的紧边界可以减少必须解决的子问题的数量。分支定界法保证了框架的整体收敛，提高了多目标进化算法的搜索能力。将NSGA-II和MOEA/D-DE作为多目标进化算法，给出了混合框架的实现。数值实验验证了混合算法的优势在于分支定界法和多目标进化算法的协同作用。
2022-12-09 cs.NE math.OC
Metaheuristic Optimization: Algorithm Analysis and Open Problems
元启发式算法正在成为现代优化的重要组成部分。在过去的二十年里，出现了各种各样的元启发式算法，许多元启发式算法，如粒子群优化，正变得越来越受欢迎。尽管它们很受欢迎，但对这些算法的数学分析却缺乏落后。收敛性分析仍然是未解决的大多数元启发式算法，而效率分析同样具有挑战性。本文对元分析学的收敛性和效率性研究进行了综述，并试图为元分析学的收敛性和效率性研究提供一个框架。这可以形成分析其他算法的基础。我们还列出了一些开放的问题作为进一步的研究课题。
2012-12-02 cs.NE math.OC
A socio-physics based hybrid metaheuristic for solving complex non-convex constrained optimization problems
Institute of Artificial Intelligence, MIT World Peace University（MIT世界和平大学人工智能研究所）；Artificial Intelligence Research Institute, University of Veracruz（韦拉克鲁斯大学人工智能研究所）
迄今为止，已经开发了几种基于人工智能的启发式和元启发式算法。这些算法在解决不同领域的复杂问题时显示出了其优越性。然而，有必要严格验证这些算法解决现实世界的约束最优化问题。这些问题的搜索行为是不同的，因为它涉及大量的线性，非线性和非凸型等式和不等式约束。在这项工作中，57现实世界的约束最优化问题测试套件解决了两个约束元启发式算法起源于基于社会的队列智能（CI）算法。第一种基于CI的算法结合了自适应罚函数方法，即，CI-SAPF。第二种算法将CI-SAPF与基于物理的碰撞体优化（CBO）的内在属性相结合，称为CI-SAPF-CBO。将CI-SAPF和CI-SAPF-CBO算法的结果与其他约束优化算法进行了比较。所提出的算法的优越性进行了详细讨论，然后由未来的发展方向的约束处理技术。
2022-09-02 cs.AI cs.NE math.OC
Robustness and Invariance of Hybrid Metaheuristics under Objective Function Transformations
该研究通过即插即用算子混合19种先进元启发式算法，在CEC-2017套件多维度多变换下测试，证实基于差分的混合算法鲁棒性与不变性更优，经典算法性能下降明显，为现实优化任务提供算法选型依据。
2025-09-05 cs.NE
A general Framework for Utilizing Metaheuristic Optimization for Sustainable Unrelated Parallel Machine Scheduling: A concise overview
North-West University（西北大学）
本文从可持续发展目标视角，探讨了遗传算法等元启发式优化方法在解决非同向并行机调度问题（UPMSP）中的应用，评估其在提升资源利用、降低能耗和环境影响等方面的有效性。
2023-09-14 cs.AI cs.NE
A Study of Hybrid and Evolutionary Metaheuristics for Single Hidden Layer Feedforward Neural Network Architecture
Macquarie University（麦考瑞大学）；Jamia Hamdard（贾迈亚哈姆达德大学）
本研究提出混合PSO-SGD及进化算法替代SGD训练单隐层前馈神经网络，显著降低训练MSE（90-95%），并验证了构建块假说的有效性。
2025-06-17 cs.AI cs.NE
Study of the Fractal decomposition based metaheuristic on low-dimensional Black-Box optimization problems
Université Paris Est Créteil（巴黎东克雷泰伊大学）；Vinci autoroutes（万喜高速公路公司）
本文分析了分形分解算法（FDA）元启发式应用于低维连续优化问题的性能。该算法最初是专门开发来有效地处理高维连续优化问题，通过构建一个基于分形的搜索树，其分支因子与维数成线性比例。在这里，我们的目标是回答FDA是否对低维问题同样有效的问题。为此，我们评估了FDA在黑盒优化基准（BBOB）的2，3，5，10，20和40维的性能。实验结果表明，总体而言，目前形式的FDA表现不够好。在不同的功能组中，FDA在Misc上表现最好。中等和弱结构功能。
2022-10-16 cs.AI cs.NE
Sequential, Parallel and Consecutive Hybrid Evolutionary-Swarm Optimization Metaheuristics
该研究对比了串行、并行、接续式混合PSO-GA元启发式算法与基础算法在多维度基准函数上的表现，证实混合算法收敛性与稳定性更优，还提出了带显式信息传递机制的新型接续混合PSO-GA算法。
2025-08-01 cs.NE math.OC
Metaheuristics for the Template Design Problem: Encoding, Symmetry and Hybridisation
本文针对具有高度对称性的模板设计问题，系统探索多种元启发式方法，并提出基于槽位的替代问题表述，通过实证分析证明部分方案在特定实例上达到当前最优水平。
2024-11-05 cs.NE
Yukthi Opus: A Multi-Chain Hybrid Metaheuristic for Large-Scale NP-Hard Optimization
Yukthi Opus通过结合MCMC、贪心局部搜索和模拟退火，提出了一种多链混合元启发式算法，用于解决大规模NP难优化问题，兼顾解的质量和稳定性。
2026-03-05 cs.AI cs.NE
RAG/LLM Augmented Switching Driven Polymorphic Metaheuristic Framework
University of Technology Sydney（悉尼科技大学）；Surround Australia（Surround Australia公司）
针对传统元启发式算法结构固定、需大量调参的问题，提出由实时性能反馈驱动的多态元启发式框架PMF，通过两类智能体动态切换算法，在基准测试中提升了优化效率，为自主优化框架提供了新方向。
2025-05-20 cs.AI cs.NE
Neuromorphic-based metaheuristics: A new generation of low power, low latency and small footprint optimization algorithms
University of Lille（里尔大学）；CNRS（国家科学研究中心）；Inria（法国国家信息与自动化技术研究院）；Centrale Lille（里尔中央理工大学）；UMR 9189 CRIStAL；F-59000 Lille, France（法国里尔）；Univ. Lille（里尔大学）
本文探讨利用神经形态计算范式实现元启发式优化算法，旨在实现低功耗、低延迟和小体积，并分析其设计挑战与未来方向。
2025-05-22 cs.AI cs.NE
Metaheuristics for (Variable-Size) Mixed Optimization Problems: A Unified Taxonomy and Survey
University of Lille（里尔大学）；INRIA（法国国家信息与自动化研究所）
本文针对变规模混合变量优化问题(V)MVOPs提出统一分类法，提供数学表述与求解方法分析，填补该领域缺乏系统分类与综述的空白。
2024-01-08 cs.AI cs.DM cs.NE
Hybrid Metaheuristic Combining the Dragonfly Algorithm and Tabu Search for the Traveling Salesman Problem
Ecole Nationale Superieure d’Informatique (ESI)（国立高等信息学院）
提出一种混合元启发式算法，将蜻蜓算法（全局搜索）与禁忌搜索（局部搜索）结合，用于求解旅行商问题，在TSPLIB实例上相比单独算法性能提升。
2026-06-08 cs.NE
On the Performance of Metaheuristics: A Different Perspective
Shiraz University of Technology（设拉子科技大学）
如今，我们沉浸在数十个新提出的进化和swam-intelligence元算法中，这使得很难选择一个合适的元算法应用于手头的特定优化问题。另一方面，大多数这些元哲学只不过是基本元哲学的略微修改的变体。例如，差分进化（DE）或混合蛙跳（SFL）只是遗传算法（GA）与一个专门的运营商或额外的局部搜索，分别。因此，人们想到的是，是否可以在研究其祖先的规范和特征的基础上调查这种新提出的元生态学的行为。本文对遗传算法、粒子群优化算法、人工蜂群算法、基于教学的优化算法和布谷鸟优化算法进行了综合评价研究。这使我们能够更深入地了解它们的性能，以便我们能够更好地估计所有其他变体的性能和适用性源于他们。在20个不同特性的组合优化基准函数上进行了大量的实验，结果表明，除了这些元算法的排序外，还得到了一些基本的结论：{ABC，PSO，TLBO，GA，COA}即ABC和COA分别是性能最好和最差的方法。此外，从收敛性的角度来看，PSO和ABC分别对单峰和多峰函数具有更好的收敛性，而GA和COA在许多情况下会过早收敛到局部最优，需要替代变异机制来增强多样化和全局搜索。
2020-01-24 cs.AI cs.NE
Blindfolded Spider-man Optimization: A Single-Point Metaheuristics Suitable for Continuous and Discrete Spaces
提出蒙眼蜘蛛侠优化算法，一种基于分段线性搜索轨迹的单点元启发式方法，在连续与离散空间上均表现优异，优于多种现有单点元启发式算法。
2025-05-19 cs.NE math.OC
Space Net Optimization
National Sun Yat-sen University（国立中山大学）
提出空间网优化（SNO）算法，通过空间网机制利用所有已搜索解的信息刻画解空间景观，实验表明其在多数单目标边界约束问题上优于对比元启发式算法。
2023-05-31 cs.AI cs.NE
ClustOpt: A Clustering-based Approach for Representing and Visualizing the Search Dynamics of Numerical Metaheuristic Optimization Algorithms
Computer Systems Department（计算机系统部门）；Postgraduate School（研究生学院）
本文提出ClustOpt方法，通过对候选解聚类并跟踪聚类成员变化来可视化元启发式算法的搜索动态，并引入稳定性与相似性指标，在十种算法上验证了其有效性。
2025-07-03 cs.AI cs.NE
Investigating a Hybrid Metaheuristic For Job Shop Rescheduling
先前的研究表明，人工免疫系统可以用于在制造环境中产生鲁棒的时间表。主要目标是开发部分时间表的构建块（抗体），当生产过程中发生干扰时，可用于构建备份解决方案（抗原）。构建模块是基于人工免疫系统的基础思想创建的，并使用遗传算法进行进化（第一阶段）。每个部分时间表（抗体）被分配一个适应度值，并选择最佳的部分时间表转换为完整的时间表（抗原）。我们进一步研究了模拟退火和大洪水算法是否可以改善与我们的人工免疫系统（第二阶段）杂交的结果。我们使用十个固定的解决方案作为我们的目标，并衡量我们如何覆盖这些特定的场景。
2008-03-12 cs.CE cs.NE
Pontogammarus Maeoticus Swarm Optimization: A Metaheuristic Optimization Algorithm
目前，元启发式优化算法用于在困难的搜索空间中寻找全局最优解。海洋浮游菌群优化算法（PMSO）是一种模仿水生生物的自然特性和觅食行为的元启发式算法。Pontogammarus Maeoticus，也被简称为Gammarus，是一种主要分布在伊朗里海沿岸的微小生物。在该算法中，全局最优值被建模为海边缘（海岸），Gammarus生物愿意移动到那里，以便从海浪中休息并在沙子中觅食。海浪满足勘探和觅食模式的开发。海浪的强度取决于Gammarus到海边缘的距离。随机设置作用在多个粒子上的波的角度，帮助算法不陷入局部最优。同时，粒子的邻域自适应地变化，从而使搜索过程更加有效。所提出的算法，虽然是适用于任何优化问题，实验部分遮光太阳能光伏阵列。在CEC05基准测试系统和太阳能光伏阵列上的实验表明了该优化算法的有效性。
2018-07-05 cs.NE
A Generalized Evolutionary Metaheuristic (GEM) Algorithm for Engineering Optimization
工程和工业设计应用中的许多优化问题可以表述为具有高度非线性目标的优化问题，受到多个复杂约束。解决这样的优化问题需要复杂的算法和优化技术。近年来的一个主要趋势是使用自然启发的MetaHeustic算法（NIMA）。尽管受自然启发的元启发式算法很受欢迎，但仍有一些具有挑战性的问题和开放的问题需要解决。目前的NIMAs的两个主要问题是：文献中有超过540种算法，没有统一的框架来理解不同算法的搜索机制。因此，本文试图分析不同的算法之间的一些异同，然后提出了一个广义进化元启发式（GEM），试图统一现有的一些算法。在简要讨论了一些见解自然启发式算法和一些开放的问题，我们提出了一个广义的进化元启发式算法，以统一20多个不同的算法，以了解他们的主要步骤和搜索机制。然后，我们使用15个测试基准测试的统一GEM，以验证其性能。最后，对进一步的研究课题进行了简要的讨论。
2024-07-02 cs.NE
Indian Wedding System Optimization (IWSO): A Novel Socially Inspired Metaheuristic with Operational Design and Analysis
Department of Computer Science, the VIZJA University, Warsaw, 01-043, Poland（VIZJA大学计算机科学系）
本文提出了一种基于群体的元启发式算法IWSO，受印度传统婚礼的社会文化动态启发，通过家庭、候选人和牵线人的协作模拟匹配过程，采用匹配师引导影响策略和自适应淘汰重初始化机制，提升收敛性与多样性，实验表明其在高维多模态函数上的收敛速度、解质量及鲁棒性优于GA、PSO、DE等算法。
2026-05-05 cs.LG cs.NE
Multi-objectivization Inspired Metaheuristics for the Sum-of-the-Parts Combinatorial Optimization Problems
多目标化是一个术语，用于描述通过多目标算法优化单目标问题的策略。本文主要研究了部分和组合优化问题的多目标化问题，包括旅行商问题、无约束二次规划问题和其他著名的组合优化问题。针对部分和组合优化问题，提出将原目标分解为两个相关性可控的子目标。在此基础上，分别提出了两种新的多目标启发式单目标优化方法：非支配搜索法和非支配利用法。非优势搜索与两个元启发式算法相结合，即迭代局部搜索和迭代禁忌搜索，而非优势利用嵌入在迭代Lin-Kernighan元启发式算法中。由此产生的元分析分别称为ILS+NDS、ITS+NDS和ILK+NDE。对TSP和UBQP问题的实证研究表明，在子目标之间具有适当的相关性的情况下，从分解后的子目标定义的非支配解中选择新的初始解时，有更多的机会跳出局部最优解。实验结果还表明，ILS+NDS，ITS+NDS和ILK+NDE在大多数测试实例上都显着优于其对应的。
2021-02-03 cs.NE
A Tutorial on the Design, Experimentation and Application of Metaheuristic Algorithms to Real-World Optimization Problems
TECNALIA（泰卡利亚科技公司）；Basque Research and Technology Alliance (BRTA)（巴斯克研究与技术联盟（BRTA））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））；Universidad de Málaga（马拉加大学）；DaSCI Andalusian Institute of Data Science and Computational Intelligence（达斯基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）；Center for Computational Simulation, Universidad Politécnica de Madrid（马德里理工大学计算模拟中心）；Nanyang Technological University（南洋理工大学）；CINVESTAV-IPN（墨西哥国立理工学院高级研究中心（CINVESTAV-IPN））
本文针对元启发式优化研究可复现性差和统计显著性不足的问题，提出一套覆盖问题表述、算法设计、实验评估及现实部署的完整良好实践方法论，以提升研究的科学严谨性和透明度。
2024-10-04 cs.AI cs.NE
Boosting the Efficiency of Metaheuristics Through Opposition-Based Learning in Optimum Locating of Control Systems in Tall Buildings
University of Zanjan（赞詹大学）；University of Tabriz（大不里士大学）
本文综述对立学习在元启发式优化中的应用，通过高层建筑MR阻尼器控制系统定位案例，证明其能显著提升优化质量与速度。
2024-11-07 cs.AI cs.NE cs.SY
The Firefighter Algorithm: A Hybrid Metaheuristic for Optimization Problems
本文提出了受消防员协作策略启发的混合元启发式算法 FFO，并在 24 个基准函数上与 13 种常用算法对比，证明其在适应度、执行时间和搜索空间覆盖上具有优越或可比的性能。
2024-06-01 cs.NE stat.AP
Exploration-Exploitation-Evaluation (EEE): A Framework for Metaheuristic Algorithms in Combinatorial Optimization
本研究提出探索-开发-评估（EEE）元启发式算法框架，含参数空间探索、优参开发、不确定性量化三阶段，经TSPLIB berlin52数据集验证，可量化ACO求解TSP的最优解发现概率。
2025-10-06 cs.NE
A Review of 315 Benchmark and Test Functions for Machine Learning Optimization Algorithms and Metaheuristics with Mathematical and Visual Descriptions
Clemson University（克莱姆森大学）；University of Guelph（圭尔夫大学）；American University of Sharjah（沙迦美国大学）；University of Miami（迈阿密大学）；University of Technology Sydney（悉尼科技大学）
该综述系统梳理300多个优化与元启发式基准测试函数，按特征和性质编目，总结25个常用函数并提出两个高维动态新函数，同时指出基准测试差距与未来方向。
2024-06-13 cs.LG cs.NE
Goat Optimization Algorithm: A Novel Bio-Inspired Metaheuristic for Global Optimization
本文提出受山羊行为启发的山羊优化算法（GOA），通过适应性觅食、向最佳解移动和跳跃策略平衡探索与开发，在基准测试中显著优于PSO、GWO等算法，展现出更优的收敛速度和全局搜索能力。
2025-03-04 cs.NA cs.NE math.NA
Prescriptive tool for zero-emissions building fenestration design using hybrid metaheuristic algorithms
Universidad Politécnica de Madrid（马德里理工大学）；Lurtis Rules SL；Lurtis Rules LTD；Universidad de Alcalá de Henares（阿尔卡拉大学）
本文提出了一种基于混合元启发式算法的零排放建筑开窗设计优化方法，通过自动化设计流程减少建筑能耗和热不适。
2025-11-26 cs.NE
DAMS: Distributed Adaptive Metaheuristic Selection
Université Lille 1（里尔第一大学）；LIFL（里尔基础信息实验室）；CNRS（法国国家科学研究中心）；INRIA Lille（法国国家信息与自动化研究所里尔分所）；Univ. Nice Sophia-Antipolis（尼斯索菲亚-安提波利斯大学）
我们提出了一个分布式的遗传算法称为DAMS专用于自适应优化在分布式环境中。给定一组元启发式算法，DAMS的目标是协调它们在分布式节点上的本地执行，以优化分布式系统的全局性能。DAMS基于三层架构，允许节点分布式地决定要传递的本地信息，以及在优化过程进行时应用的元启发式。DAMS的自适应功能首先在一个非常一般的设置。一个特定的DAMS称为SBM，然后描述和分析，从并行和自适应的角度来看。SBM是一个简单的，但有效的，自适应分布式算法，利用组件允许节点选择最好的本地观察到的性能的元启发式，和一个探索组件允许节点检测元启发式的实际最佳性能。BSM-DAMS的效率证明通过实验和与其他自适应策略（顺序和分布式）的比较。
2012-07-18 cs.AI cs.NE
AutoOpt: A General Framework for Automatically Designing Metaheuristic Optimization Algorithms with Diverse Structures
Southern University of Science and Technology（南方科技大学）；Dongguan University of Technology（东莞理工学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Dyearn Technology Co. Ltd.（德恩科技有限公司）；Shaanxi Normal University（陕西师范大学）
本文提出通用框架 AutoOpt，通过通用算法原型、有向无环图表示及图嵌入方法自动设计具有多样化结构的元启发式算法，突破了固定结构的限制，实验验证了其高效性与实用性。
2025-04-07 cs.AI cs.NE
Tree-Based Optimization: A Meta-Algorithm for Metaheuristic Optimization
寻找全局最优解的搜索算法是近年来最活跃的研究领域之一。这些算法包括两个主要类别，即，经典的数学和超启发式算法。本文提出了一种元算法，基于树的优化（TBO），它使用其他启发式优化作为其子算法，以提高搜索性能。该算法基于数学树主题，通过迭代地去除适应度低的部分搜索空间，达到最小化和净化搜索空间的目的，提高了搜索性能和速度。在几个著名的基准测试上的实验结果表明，TBO算法在寻找全局解方面具有优异的性能。在高维搜索空间上的实验表明，使用TBO算法时，性能明显更好。该算法提高了搜索算法的精度和速度方面，特别是对于高维搜索，如在集成电路（IC）设计的VLSI CAD工具。
2018-09-25 cs.NE
Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter Selection in Short-Term Weather Forecasting
Indian Institute of Engineering Science and Technology, Shibpur（希布尔印度工程科学技术学院）；Carnegie Mellon University（卡内基梅隆大学）；National Institute of Technology, Durgapur（杜尔加布尔国家技术学院）
本文探讨了在短期天气预报中应用遗传算法、差分进化和粒子群优化等元启发式算法，以自动化搜索深度学习模型的最优超参数，从而提高预测精度。
2023-09-05 cs.AI cs.NE
Benchmarking for Metaheuristic Black-Box Optimization: Perspectives and Open Challenges
对新优化算法的研究通常是基于这样的动机，即这些算法可能会提高处理现实世界和工业相关优化挑战的能力。除了各种各样的不同的进化和元启发式优化算法，也有大量的测试问题和基准套件已开发和用于比较评估的算法，在全局，连续和黑盒优化的背景下。然而，对于许多常用的合成基准问题或人工适应度景观，没有可用的方法将所得到的算法性能评估与技术相关的现实世界优化问题相关联，反之亦然。此外，从理论的角度来看，许多常用的基准测试问题和方法几乎没有推广价值。基于对出版物的简短评论，评论，建议和新方法，本通信旨在对与黑盒优化的系统和可推广的基准测试相关的几个开放挑战和前瞻性研究方向提供建设性的观点。
2020-07-01 cs.NE cs.PF math.OC
jMetalPy: a Python Framework for Multi-Objective Optimization with Metaheuristics
本文介绍了jMetalPy，一个面向对象的基于Python的多目标优化框架与元启发式技术。基于我们在著名的jMetal框架上的经验，我们开发了一个新的多目标优化软件平台，不仅旨在以不同的程序设计语言复制前一个平台，而且还利用Python的全部功能集，包括其快速原型设计功能和大量用于数据处理，数据分析，数据可视化，和高性能计算。因此，jMetalPy提供了一个解决多目标优化问题的环境，不仅关注传统的元分析，还关注支持偏好表达和动态问题的技术，以及与从生成的结果自动生成统计数据相关的丰富功能，以及由算法产生的Pareto前沿近似的实时和交互式可视化。jMetalPy还提供了对多核和集群系统中并行计算的支持。我们包括一些用例来探索jMetalPy的主要功能，并说明如何使用它。
2019-04-17 cs.NE
Bio-inspired Optimization: metaheuristic algorithms for optimization
Shri. JJT University（什里·JJT大学）
本文综述了受自然生物特性启发的元启发式优化算法，分析其分类、跳出局部最优以求解全局最优的机制，并介绍近期主要算法及其在复杂工业与工程问题中的应用。
2020-02-24 cs.AI cs.MA cs.NE
HRA: A Multi-Criteria Framework for Ranking Metaheuristic Optimization Algorithms
University of Peloponnese（伯罗奔尼撒大学）
针对元启发式优化算法因性能指标和问题维度多样导致难以比较的问题，提出层次化排序聚合（HRA）框架，通过层次化处理、排序归一化和鲁棒TOPSIS聚合实现高效综合排序，经CEC 2017数据验证其有效性并简化算法选择。
2024-09-18 cs.AI cs.NE cs.PF
Uncertainty Principle based optimization; new metaheuristics framework
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Eram Sanat Mooj Gostar（埃拉姆萨纳特穆吉·戈斯塔公司）
为了更灵活地平衡探索与利用之间的关系，提出了一种基于不确定性原理的Meta探试法。UP在多个科学分支中被证明是有效的。在量子力学的分支中，正则共轭观测量，如位置和动量，在任何量子态中都不能被清楚地确定。以同样的方式，频谱滤波设计的分支意味着非零函数及其傅里叶变换不能同时被精确地局部化。在深入研究了量子物理、傅立叶分析和小波设计中的不确定性原理及其变化之后，从算法和流程图的角度描述了所提出的框架。我们提出的优化器的想法是基于一个固有的不确定性，在执行本地搜索与全球解决方案搜索。一组兼容的度量框架的每一部分，提出了推导出优选的算法形式。评估和比较，在文件的最后显示的能力和独特的能力的算法在一些著名的和最近提出的元算法。
2020-06-02 cs.AI cs.NE
Genetic Engineering Algorithm (GEA): An Efficient Metaheuristic Algorithm for Solving Combinatorial Optimization Problems
HSE University（高等经济大学）；Université du Québec à Montréal（魁北克大学蒙特利尔分校）
本文针对传统遗传算法过早收敛、缺乏问题知识及算子随机等缺陷，提出受遗传工程启发的GEA元启发式算法，并通过基准对比验证其优越性能。
2023-09-28 cs.AI cs.NE
Parameter Tuning Strategies for Metaheuristic Methods Applied to Discrete Optimization of Structural Design
本文提出了几种策略来调整参数的元启发式方法的钢筋混凝土（RC）结构（离散）设计优化。提出了一种基于平均性能曲线下面积的效用度量方法。现实的RC结构的建模，分析和设计的过程中，导致目标函数的评估是计算非常昂贵的。为了避免昂贵的模拟，使用两种类型的代理模型。第一个是创建一个包含所有可能解决方案的数据库。第二种方法是利用基准函数建立基准函数的离散子空间，模拟实际问题的主要特征。基于两种策略对四种元算法进行参数调整。它们之间的主要区别是为进行部分评估而建立的参数控制。最简单的策略适合于调整好的“通才”方法，即，方法具有良好的性能，无论参数配置如何。另一个更昂贵，但非常适合评估任何方法。调试结果表明，生物地理优化，一个相对较新的进化算法，优于其他方法，如遗传算法或粒子群优化问题，由于其独特的方法，应用重组和变异算子。
2021-10-12 cs.NE
Coordinating metaheuristic agents with swarm intelligence
多智能体系统的协调仍然是一个问题，因为没有突出的方法来完全解决这个问题。元启发式智能体是多智能体系统的具体实现，它要求协同工作来解决元启发式算法的优化问题。从群体智能中借鉴的想法似乎比以前提出的实现方式要好得多。本文报告了群体模拟退火代理与粒子群优化算法合作的性能。该方法被实现为多维背包问题，并已远远优于其他一些作品发表之前。
2013-04-15 cs.MA cs.NE
Are metaheuristics worth it? A computational comparison between nature-inspired and deterministic techniques on black-box optimization problems
Brno University of Technology（布尔诺理工大学）
在无导数优化领域中，确定性优化和自然启发式优化这两个主要分支近年来都取得了长足的进步。在本文中，我们提供了一个广泛的计算比较，从这些分支的选择方法。选择的代表是标准的和充分利用的方法，或从最近的数值比较的最佳性能的方法。在五个不同的基准集上进行了计算比较，并从性能、时间复杂度和所选方法的收敛特性方面对结果进行了分析。结果表明，当处理的情况下，目标函数的评估是相对便宜的，自然启发的方法有一个显着更好的性能比他们的确定性同行。然而，在函数计算代价很高或被禁止的情况下，确定性方法可能会提供更一致和更好的结果。
2022-12-13 cs.AI cs.NE math.OC
REMS: a unified solution representation, problem modeling and metaheuristic algorithm design for general combinatorial optimization problems
School of Traffic and Transportation Engineering, Central South University（交通与运输工程学院，中南大学）；School of Automation, Central South University（自动化学院，中南大学）
REMS提出了一种统一的问题表示和建模框架，通过统一的解决方案结构设计元启发式算法，有效解决多种组合优化问题。
2026-03-02 cs.AI cs.NE
