Multi-objective discovery of PDE systems using evolutionary approach
偏微分方程组通常是从观测数据中以单向量方程形式发现的。然而，这种方法限制了对实际情况的应用，例如，外部强迫的形式是感兴趣的。提出了一种多目标协同进化算法。系统内的单个方程和系统本身同时演化以获得系统。这种方法允许发现系统的形式无关的方程。与单矢量方程相比，分量系统更适合专家解释，因此更适合应用。考虑二维Navier-Stokes方程的例子。
2021-03-11 cs.NE
Evolutionary computational platform for the automatic discovery of nanocarriers for cancer treatment
我们提出了EVONANO平台，用于纳米医学的发展，并将其应用于抗癌治疗。EVONANO包括一个模拟器来生长肿瘤，提取代表性的场景，然后模拟纳米颗粒通过这些场景的运输，以预测纳米颗粒的分布。使用机器学习优化纳米颗粒设计，以有效地找到最有效的抗癌治疗方法。我们通过两个例子展示了我们的平台，优化了纳米颗粒的性质，并在一系列肿瘤环境中选择性地杀死癌细胞。
2021-02-01 cs.NE physics.med-ph
Evolutionary Algorithm for Drug Discovery Interim Design Report
一种软件程序，旨在提供对潜在药物分子的搜索空间的探索能力。该程序通过生成随机分子来探索搜索空间，确定它们的适应性，然后从最适合的个体中繁殖新一代。理论上，搜索空间是任何元素以任何顺序的任何组合，其受到元素子集和片段列表的使用的约束，所述片段是已知在药物开发中有用的分子部分。每一代产生的分子都存储在一个可搜索的数据库中，这样用户就可以浏览前几代分子，寻找感兴趣的分子。
2014-03-19 cs.CE cs.NE
Multi-objective evolutionary algorithms for quantum circuit discovery
量子硬件不断进步，但寻找新的量子算法-量子软件-仍然是一个挑战，受过经典训练的计算机程序员对如何在量子领域执行计算任务几乎没有直觉。因此，开发用于算法开发的自动化工具的想法对于量子计算比经典计算更有吸引力。在这里，我们开发了一个强大的，多目标的进化搜索策略来设计量子电路“从头开始”，通过结合和参数化的任务通用库的量子线路元素。当应用于量子线路的量子傅里叶变换和Grover搜索算法的输入/输出映射要求的“从头算”设计时，它发现教科书电路设计，以及实现相同功能的替代结构。利用其多目标性质，发现算法可以权衡准确性、电路宽度或深度、门数或可实现性等性能指标--这是第一代量子处理器和应用的关键要求。
2018-12-11 cs.NE quant-ph
Comparison of Single- and Multi- Objective Optimization Quality for Evolutionary Equation Discovery
ITMO University（圣彼得堡国立信息技术机械与光学大学）
本文比较了演化微分方程发现中的单目标与多目标优化，后者额外考虑方程复杂性，并在Burgers、波动和KdV方程等经典模型上验证了其效果。
2023-06-29 cs.LG cs.NE
Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models
在现代数据科学中，仅仅获得具有良好预测质量的数据驱动模型往往是不够的。相反，更有趣的是了解模型的属性，哪些部分可以被替换以获得更好的结果。这些问题被统一在机器学习可解释性问题下，这可以被认为是该领域的一个热门话题。在本文中，我们使用多目标进化优化的复合数据驱动的模型学习，以获得算法的预期性能。这意味着，虽然一个明显的目标是精度，但另一个目标可以选择模型的复杂性，鲁棒性和许多其他目标。该方法的应用显示在复合模型的多目标学习的例子中，微分方程和封闭形式的代数表达式是统一的，并形成用于可解释模型的模型不可知学习的方法。
2021-07-08 cs.NE
Evolutionary Causal Discovery with Relative Impact Stratification for Interpretable Data Analysis
Waseda University（早稻田大学）
研究提出ECD方法，结合遗传编程与RIS算法解析变量关系并评估相对影响，通过表达式树增强可解释性，在合成和真实EHR数据上验证了其高准确性与稳定性。
2024-04-25 cs.LG cs.NE cs.SC
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
Distribution Matching Evolutionary Algorithms for Rare Event Sampling
University of Oxford（牛津大学）
本文提出分布匹配进化算法（DME），将进化算法视为近似马尔可夫链蒙特卡洛，无需更新权重即可从全局目标分布采样，在稀有事件采样中样本效率优于现有方法。
2026-10-14 cs.AI cs.LG cs.NE
Evolutionary Discovery of Developmental Reward Schedules in Deep Reinforcement Learning
College of Computing at the Georgia Institute of Technology（佐治亚理工学院计算学院）；School of Engineering and Applied Science at the University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院）
提出进化框架自动发现深度强化学习中的发展性奖励调度，通过时变权重组合代理、新奇和反应性三种动机，在稀疏奖励任务上优于手工设计基线，并发现新奇动机主导早期训练。
2026-07-13 cs.LG cs.NE
Directed differential equation discovery using modified mutation and cross-over operators
本文借鉴化学和生物学中的定向进化思想，改进进化方程发现算法的变异与交叉算子，提出定向方程发现方法，并通过 Burgers、波动和 KdV 方程实验证明其收敛到精确解的能力优于常规方法。
2023-08-09 cs.NE math.OC
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
CodeEvolve: an open source evolutionary coding agent for algorithmic discovery and optimization
Inter Science - Inter&Co；Federal University of Minas Gerais（联邦大学伯南迪斯）；Worcester Polytechnic Institute（沃思彻斯特理工大学）
提出CodeEvolve开源框架，结合大语言模型与岛屿进化搜索，通过灵感交叉、元提示和深度细化，在AlphaEvolve基准上匹配或超越5/9问题，并在匹配条件下优于OpenEvolve和ShinkaEvolve，以更低成本超越前沿闭源集成。
2026-08-27 cs.AI cs.LG cs.NE
SeaEvo: Advancing Algorithm Discovery with Strategy Space Evolution
The University of Hong Kong（香港大学）；JIUTIAN Research, China Mobile（钧天研究院，中国移动）；City University of Hong Kong（城市大学）
SeaEvo通过策略空间进化层，将语言级策略推理转化为群体级进化状态，提升LLM引导的程序搜索效果，实现算法发现、系统优化和智能体设计任务的性能提升。
2026-05-08 cs.AI cs.CL cs.NE
Optimizing Photonic Structures with Large Language Model Driven Algorithm Discovery
本研究将大型语言模型与进化计算结合，提出结构化提示和多种进化策略，自动发现优化算法，在光子结构设计（如布拉格反射镜等）中达到或超越传统方法，实现快速自动化逆向设计。
2025-03-25 cs.NE
Evolutionary Discovery of Sequence Acceleration Methods for Slab Geometry Neutron Transport
Gateway Scripts；University of Arizona（亚利桑那大学）；Varian Medical Systems（瓦里安医疗系统）；Washington University in St. Louis（圣路易斯华盛顿大学）
本文通过遗传编程自动发现适用于 slab 几何中子输运问题的收敛加速方法，提出了一种包含二阶差分和交叉乘积项的新型加速器，其收敛性提升效果显著。
2025-12-31 cs.NE
Evolutionary Generative Optimization: Towards Fully Data-Driven Evolutionary Optimization via Generative Learning
EvoGO通过生成学习实现完全数据驱动的进化优化，提升优化精度和适应性，优于传统EAs、贝叶斯优化和强化学习方法。
2026-02-13 cs.NE
Large Language Model-Guided Evolutionary Discovery of Native Neural Architectures for Spiking Sequence Modeling
City University of Hong Kong（香港城市大学）
提出OpenArchEvo，利用大语言模型在开放程序空间中进化原生脉冲神经网络架构，通过三视图表示预测性能与新颖性，发现NeuroGate等架构，超越ANN基线并大幅降低能耗。
2026-10-01 cs.NE
A Data-Driven Evolutionary Transfer Optimization for Expensive Problems in Dynamic Environments
许多现实世界的问题通常是计算成本高，目标函数随着时间的推移而演变。数据驱动，又名代理辅助的进化优化已经被认为是在静态环境中处理昂贵的黑盒优化问题的有效方法，而在动态环境下很少对其进行研究。本文提出了一个简单而有效的迁移学习框架，使数据驱动的进化优化解决动态优化问题。具体而言，它应用分层多输出高斯过程来捕获从不同时间步收集的数据与线性增加的超参数数量之间的相关性。此外，提出了一种自适应源任务选择以及定制的温暖凝视初始化机制，以更好地利用从以前的优化练习中提取的知识。通过这样做，数据驱动的进化优化可以在新环境中以严格有限的计算预算启动优化。合成基准测试问题和现实世界的案例研究的实验证明了我们提出的算法对九个国家的最先进的同行算法的有效性。
2022-11-05 cs.NE
The application of Evolutionary and Nature Inspired Algorithms in Data Science and Data Analytics
University of Georgia（佐治亚大学）；Florida International University（佛罗里达国际大学）
在过去的30年里，科学家们一直在探索自然，包括动物和昆虫，以及生物学，以发现，理解和模拟解决大规模科学挑战的解决方案。仿生学的研究揭示了自然界中发现的生物结构和功能如何改善了我们的现代技术。在这项研究中，我们提出了我们在数据科学和数据分析中的进化和自然启发算法应用的发现，涉及预处理，监督算法和无监督算法三个主要主题。在所有应用中，在这项研究中，我们的目标是研究四种优化算法，这些算法是在数据科学和分析中使用进化和自然启发算法执行的。预处理部分的特征选择优化，有监督算法中的超参数整定优化和知识发现优化，无监督算法中的聚类优化。
2022-02-06 cs.AI cs.NE
Equation discovery framework EPDE: Towards a better equation discovery
NSS Lab（NSS实验室）
本文增强了基于进化优化的方程发现框架EPDE，利用初等函数和微分等基本构建块生成项，并引入多目标优化来有效探索搜索空间，相比SINDy等现有方法，在处理复杂实验数据时实现了更稳健的方程提取和更好的噪声鲁棒性。
2024-12-28 cs.AI cs.LG cs.NE
A Federated Data-Driven Evolutionary Algorithm
East China University of Science and Technology（华东理工大学）；University of Surrey（萨里大学）
数据驱动的进化优化在解决复杂的现实优化问题方面取得了巨大的成功。然而，现有的数据驱动优化算法要求所有数据集中存储，这并不总是实用的，并且如果数据必须从不同的设备收集，则可能容易受到隐私泄露和安全威胁。为了解决上述问题，本文提出了一个联邦数据驱动的进化优化框架，该框架能够在数据分布在多个设备上时执行数据驱动的优化。在联邦学习的基础上，提出了一种基于径向基函数网络的分类模型集结方法。此外，通过设计一个综合考虑全局和局部代理模型信息的获取函数，提出了一种联邦代理管理策略。一组广泛使用的基准函数在各种数据分布的存在下的实证研究表明，所提出的框架的有效性。
2021-02-16 cs.LG cs.NE
LLM2TEA: An Agentic AI Designer for Discovery with Generative Evolutionary Multitasking
1 College of Computing \& Data Science (CCDS), Nanyang Technological University (NTU), Singapore 2 Honda Research Institute Europe (HRI-EU), Offenbach am Main, Germany 3 Centre for Frontier AI Research (CFAR), Agency for Science, Technology
本文提出首个基于LLM的智能体AI设计师LLM2TEA，通过生成式进化多任务实现跨领域方案融合，结合文本到3D生成与物理模拟，在概念设计优化中显著提升了设计多样性与物理性能，并成功实现3D打印验证。
2025-07-28 cs.AI cs.CL cs.CV
A Federated Data-Driven Evolutionary Algorithm for Expensive Multi/Many-objective Optimization
East China University of Science and Technology（华东理工大学）；University of Surrey（萨里大学）
数据驱动优化在现实世界中有许多成功的应用，并在进化优化领域受到越来越多的关注。大多数现有的算法假设用于优化的数据总是在中央服务器上可用于构建代理。然而，当数据必须以分布式方式收集并且受到隐私限制时，这种假设可能无法成立。提出一种联邦数据驱动的多目标进化优化算法。为此，我们利用联邦学习进行代理构建，以便多个客户端协同训练径向基函数网络作为全局代理。然后提出了一种新的联邦获取函数，用于中央服务器使用全局代理来近似目标值，并基于局部模型来估计近似目标值的不确定性水平。该算法的性能进行了验证一系列的多/多目标基准问题，通过比较它与两个国家的最先进的代理辅助多目标进化算法。
2021-06-22 cs.AI cs.NE
Data-Driven Evolutionary Multi-Objective Optimization Based on Multiple-Gradient Descent for Disconnected Pareto Fronts
数据驱动的进化多目标优化（EMO）是解决目标函数昂贵的多目标优化问题的一种有效方法。目前的研究主要是开发了一个'定期'三角形的帕累托最优前沿（PF）的问题，而性能可以显着恶化时，PF由断开的部分。此外，在目前的数据驱动的EMO的后代繁殖没有充分利用潜在的信息的代理模型。考虑到这些因素，本文提出了一种基于多梯度下降的数据驱动EMO算法。通过利用最新的代理模型提供的规律性信息，它能够逐步探测一组分布良好的候选解决方案的收敛保证。此外，它的填充准则推荐了一批有前途的候选解决方案进行昂贵的目标函数评估。在具有断开PF的$33$基准测试问题实例上的实验充分证明了我们所提出的方法对四种选定的对等算法的有效性。
2022-05-28 cs.NE
Data-Driven Discovery of Interpretable Kalman Filter Variants through Large Language Models and Genetic Programming
University of Reading（reading大学）；University of Cambridge（剑桥大学）
本文探讨通过遗传编程和大规模语言模型自动发现卡尔曼滤波变种的可能性，展示框架在不同条件下发现最优解及可解释替代方案的能力。
2025-08-25 cs.LG cs.NE
Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation
多目标优化问题在现实世界的科学、工程和设计优化问题中普遍存在。目标函数是一个黑箱的情况并不少见，其评估通常涉及耗时和/或昂贵的物理实验。数据驱动的进化优化可以用来搜索一组非支配的折衷解决方案，昂贵的目标函数近似为一个代理模型。在本文中，我们提出了一个框架，实现批量数据驱动的进化多目标优化。它是如此普遍，任何现成的进化多目标优化算法可以应用在一个插件的方式。特别是，它有两个独特的组成部分：1）基于Karush-Kuhn-Tucker条件，流形插值方法，探索更多样化的解决方案，并沿着近似帕累托最优集的流形保证收敛; 2）批量推荐方法，通过并行评估多个样本来减少优化过程的计算时间。在136个具有不规则Pareto最优前沿形状的基准测试问题实例上对6个最先进的代理辅助EMO算法进行了实验，充分证明了该框架的有效性和优越性。特别是，我们提出的框架具有更快的收敛速度和更强的弹性，各种PF形状。
2021-09-12 cs.NE
Adaptive Verifiability-Driven Strategy for Evolutionary Approximation of Arithmetic Circuits
我们提出了一种新的方法来设计复杂的近似运算电路，交易的正确性功耗，并在许多能源意识的应用中发挥重要作用。我们的方法集成了一个独特的方式正式的方法，提供正式的近似误差到进化电路优化算法的保证。其关键思想是采用一种新的自适应搜索策略，驱动进化迅速验证近似电路。如在包括几种结构不同的算术电路和目标精度的广泛实验评估中所示，搜索策略提供了相对于各种近似情况的卓越的可扩展性和通用性。我们的方法显着提高了现有方法的能力，并铺平了道路，走向可证明正确的电路近似的自动化设计过程。
2020-03-05 cs.NE
An Evolutionary Algorithm for Error-Driven Learning via Reinforcement
Chinese Academy of Sciences（中国科学院）；University of Southampton（南安普顿大学）
虽然不同的学习系统被协调以提供复杂的行为，但人们对这是如何发生的知之甚少。本文描述了一个理论框架，该框架指定了如何通过简单的强化来获得可能被认为需要错误驱动学习的复杂行为。该框架包括对（人工）神经网络进化机制的具体假设，以生成允许网络仅使用有关其性能质量的信息来学习大规模复杂问题的拓扑结构。该框架的实际和理论意义进行了讨论，是可能的生物类似物的方法。
2015-03-26 cs.AI cs.NE
Data-driven evolutionary algorithm for oil reservoir well-placement and control optimization
优化布井和注采是油藏开发实现经济效益最大化的关键。元启发式算法在求解复杂、非线性和非连续优化问题中表现出良好的性能。然而，在优化过程中涉及大量的数值模拟运行。在这项工作中，一种新的和有效的数据驱动的进化算法，称为广义数据驱动的差分进化算法（GDDE），提出了减少的数量的模拟运行的布井和控制优化问题。采用概率神经网络（PNN）作为分类器，选择信息量大、前景好的候选项，对最不确定的候选项进行基于欧氏距离的预筛选，并通过数值模拟进行评价。然后，利用径向基函数（RBF）建立局部代理模型，并通过数值模拟器对优化器找到的代理模型进行评价，以加速收敛。值得注意的是，RBF模型和PNN的形状因子通过求解超参数次昂贵优化问题来优化。结果表明，本文提出的优化算法对二维油藏布井优化问题和Egg模型联合优化问题具有很好的应用前景。
2022-06-07 cs.NE
EVO-RL: Evolutionary-Driven Reinforcement Learning
RWTH Aachen University（亚琛工业大学）；University Hospital RWTH Aachen（亚琛工业大学附属医院）；Trier University of Applied Sciences（特里尔应用科学大学）；University of Trento（特伦托大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
在这项工作中，我们提出了一种新的演化计算驱动的强化学习方法。我们的算法被称为进化驱动的强化学习（evo-RL），它将强化学习算法嵌入到进化周期中，在进化周期中，我们可以清楚地区分纯粹的可进化（本能）行为与纯粹的可学习行为。此外，我们认为这种区别是由进化过程决定的，从而使evo-RL能够适应不同的环境。此外，evo-RL有助于在无奖励状态的环境中学习，这使得它更适合于不完整信息的现实世界问题。为了表明evo-RL导致最先进的性能，我们提出了不同的最先进的强化学习算法在evo-RL中运行时的性能，并将其与独立执行这些相同算法的情况进行比较。结果表明，嵌入在我们的evo-RL方法中的强化学习算法在OpenAI Gym控制问题上的性能明显优于相同RL算法的独立版本，其中无奖励状态受到相同计算预算的约束。
2020-07-10 cs.AI cs.LG cs.NE
Uncovering Coresets for Classification With Multi-Objective Evolutionary Algorithms
Politecnico di Torino（都灵理工大学）；INRAE（法国国家农业食品与环境研究院）；Université Paris-Saclay（巴黎萨克雷大学）
核心集是训练集的一个子集，使用它，机器学习算法获得的性能与在整个原始数据上训练时的性能相似。Coreset的发现是一个积极和开放的研究方向，因为它可以提高算法的训练速度，并可能帮助人类理解结果。在前人工作的基础上，提出了一种新的方法：对候选紧身胸衣进行迭代优化，添加和删除样本。由于限制训练规模和结果质量之间存在明显的权衡，使用多目标进化算法同时最小化集合中的点的数量和分类误差。非平凡基准测试的实验结果表明，所提出的方法是能够提供的结果，允许分类器，以获得更低的错误和更好的能力概括看不见的数据比国家的最先进的核心发现技术。
2020-02-20 cs.LG cs.NE stat.ML
GeM-EA: A Generative and Meta-learning Enhanced Evolutionary Algorithm for Streaming Data-Driven Optimization
South China University of Technology（华南理工大学）
本文提出GeM-EA，结合元学习和生成重放，提升流数据驱动优化的适应速度和鲁棒性。
2026-04-14 cs.AI cs.NE
Evolutionary Multiobjective Optimization Driven by Generative Adversarial Networks (GANs)
Southern University of Science and Technology（南方科技大学）；City University of Hong Kong（香港城市大学）；University of Surrey（萨里大学）
最近，越来越多的作品提出了使用机器学习模型来驱动进化算法。通常，这种基于模型的进化算法的性能高度依赖于所采用的模型的训练质量。由于它通常需要一定量的数据（即算法生成的候选解）用于模型训练，由于维数灾难，性能随着问题规模的增加而迅速恶化。为了解决这个问题，我们提出了一个多目标进化算法驱动的生成对抗网络（GANs）。在算法的每一代中，首先将父解分为真实和伪样本进行训练GANs，然后由训练好的GANs对子解进行采样。由于GANs强大的生成能力，我们提出的算法能够在有限的训练数据的高维决策空间中生成有前途的后代解决方案。该算法进行了测试，10个基准问题，多达200个决策变量。在这些测试问题上的实验结果证明了该算法的有效性。
2020-04-09 cs.LG cs.NE
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
Evolutionary Synthesis of Deep Neural Networks via Synaptic Cluster-driven Genetic Encoding
University of Waterloo（滑铁卢大学）
最近，人们对实现高效的深度神经网络架构产生了极大的兴趣。实现这一目标的一个有希望的范例是进化深度智能的概念，它试图模仿生物进化过程，在连续几代人中合成高效的深度神经网络。进化深度智能的一个重要方面是用于模仿遗传的遗传编码方案，这会对后代深度神经网络的质量产生重大影响。出于神经生物学现象的突触集群，我们引入了一个新的遗传编码方案，突触概率被驱动朝向形成一个高度稀疏的突触簇。图像分类任务的实验结果表明，使用这种突触簇驱动的遗传编码方案的合成后代网络可以实现最先进的性能，同时具有不仅比原始祖先网络更有效的网络架构（MNIST的突触减少了约125倍），而且还为GPU加速的机器学习应用量身定制。
2016-11-22 cs.CV cs.LG cs.NE
Evolutionary Multi-Objective Optimization Driven by Generative Adversarial Networks
近年来，越来越多的研究者提出用机器学习模型来驱动进化算法，通常，这种基于模型的进化算法的性能很大程度上依赖于所采用的模型的训练质量，因为它通常需要一定的数据量（即由算法生成的候选解）进行模型训练时，性能随着问题规模的增加而迅速恶化，为了解决这一问题，提出了一种基于生成对抗网络（GANs）的多目标进化算法，在每一代算法中，首先将父解分为\emph{real}和\emph{fake}样本来训练GANs;然后由经过训练的GANs对后代解进行采样。由于GANs强大的生成能力，我们提出的算法能够在高-在有限训练数据的多维决策空间中，对10个决策变量多达200个的基准问题进行了测试，实验结果表明了该算法的有效性所提出的算法。
2020-04-07 cs.AI cs.LG cs.NE
A Confidence-Driven Evolutionary Algorithm for Noisy Optimization with Joint Chance Constraints
School of Engineering and Technology, The University of New South Wales（新南威尔士大学工程学院与技术学院）
提出置信驱动进化算法CR-EA-C，通过解析可行性估计、成对统计排序和改进生存策略，高效求解联合机会约束下的噪声优化问题，实验验证其有效性与通用性。
2026-09-21 cs.NE
Kernel Foundry: A Diagnosis-driven Evolutionary Kernel Optimizer with Multi-Experts
The Chinese University of Hong Kong（香港中文大学）；Noah’s Ark Lab, Huawei Hong Kong（华为香港诺亚实验室）
提出Kernel Foundry，一种结合专家引导初始化、多岛进化搜索和结构化诊断反馈的自动GPU内核优化框架，显著提升正确性和性能。
2026-08-04 cs.DC cs.LG cs.NE
Seq103: A Unified Neuroevolution Framework for Compact Sequence Architecture Discovery
School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院）
提出统一神经进化框架Seq103，通过共享进化主干和可选循环扩展，在序列分类任务中实现紧凑架构搜索，在文本和时间序列数据集上以极低参数量保持高精度。
2026-06-03 cs.AI cs.NE
Multimodal LLM-assisted Evolutionary Search for Programmatic Control Policies
Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；Huawei Noah’s Ark Lab（华为诺亚实验室）
本研究提出多模态大语言模型辅助进化搜索方法，用于生成透明且可验证的程序化控制策略，通过结合视觉反馈与进化搜索提高策略发现效率。
2026-03-10 cs.LG cs.NE
Multi-Objective Evolutionary Design of Composite Data-Driven Models
Natural Systems Simulation Lab ITMO University（ITMO大学自然系统模拟实验室）
本文提出了一种多目标设计复合数据驱动数学模型的方法。它允许自动识别基于图形的异构管道，包括不同的块：机器学习模型，数据预处理块等实施的方法是基于无参数的遗传算法（GA）的模型设计称为GPComp@Free。它被开发成自动化机器学习解决方案的一部分，并提高建模管道自动化的效率。一组实验进行了验证所提出的方法的正确性和效率，并证实了所选择的解决方案。实验结果证实，一个多目标的模型设计方法可以实现更好的多样性和质量的模型。实现的方法可作为开源AutoML框架FEDOT的一部分。
2021-05-17 cs.AI cs.LG cs.NE
LLM-Driven Evolutionary Generation of Multi-Objective Bayesian Optimization Algorithms
LIACS, Leiden University, Leiden, Netherlands（LIACS，莱顿大学，莱顿，荷兰）
研究如何设计多目标贝叶斯优化算法，核心方法是将LLaMEA框架扩展到MOBO，利用大语言模型生成算法并集成超参数优化。主要贡献是生成的算法在合成和实际工程问题上表现优异，能以低成本实现帕累托有效权衡。
2026-07-13 cs.AI cs.NE
A many-objective evolutionary algorithm using indicator-driven weight vector optimization
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
Novelty Driven Evolutionary Neural Architecture Search
基于进化算法（EA）的神经架构搜索（NAS）涉及通过从头开始训练来评估每个架构，这非常耗时。由于在搜索空间中的所有架构之间的权重共享，这可以通过使用超网来估计架构的适应度来减少。然而，由于超网中的操作的协同适应，估计的适应度是非常嘈杂的，这导致NAS方法陷入局部最优。在本文中，我们提出了一种称为NEvoNAS的方法，其中NAS问题是一个多目标问题，有2个目标：（i）最大限度地提高架构的新颖性，（ii）最大限度地提高架构的适应性/准确性。新颖性搜索用于在每一代保持不同的解决方案，这有助于避免局部最优陷阱，而架构适应度使用超网计算。NSGA-Ⅱ用于寻找NAS问题的\textit{pareto optimal front}，并返回帕累托前沿中的最佳架构作为搜索到的架构。从理论上讲，NEvoNAS在2个不同的搜索空间上给出了更好的结果，同时与以前的基于EA的方法相比使用了更少的计算资源。我们论文的代码可以在https://github.com/nightstorm0909/NEvoNAS上找到。
2022-04-01 cs.NE
Passive and Driven Trends in the Evolution of Complexity
从化石记录中很难评估复杂性演化趋势的性质和来源，这种趋势的驱动与被动性质已经争论了几十年。还有一个问题是，人工生命软件如何有效地进化越来越高的复杂性。我们扩展了我们以前的工作，展示了在人工生命系统（Polyworld）中神经复杂性的信息理论测度的进化增加，并介绍了一种新的技术，用于区分复杂性的驱动和被动趋势。我们的实验表明，在某些情况下，进化可以并且确实选择以驱动方式增加的复杂性，但在其他条件下，它也可以选择复杂性稳定性。这表明复杂性的进化完全是在物种的尺度上被驱动的--只是不是单一的方向。这就留下了更大尺度上的进化趋势问题。
2011-12-21 cs.NE q-bio.PE
Multi-Objective Molecular Generation with Frequency-Controlled Evolutionary Dynamics
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
提出SpectralMol算法，利用傅里叶系数矩阵和NSGA-II实现无需预训练的多目标分子生成，在多个优化任务和真实药物发现基准上表现优异。
2026-06-29 cs.NE
Real-Valued Evolutionary Multi-Modal Optimization driven by Hill-Valley Clustering
基于模型的进化算法（EA）使底层搜索模型适应手头问题的特征，例如问题变量之间的联系。EA的性能往往恶化的多个模式在健身景观建模与单峰搜索模型。然而，模式的数量通常是先验未知的，特别是在黑盒设置中，这使得搜索模型的适应变得复杂。在这项工作中，我们专注于模型，可以适应多模态的健身景观。具体来说，我们引入山谷聚类，一个非常简单的方法，自适应集群的小生境中的搜索空间，这样一个单一的模式驻留在每个小生境。在每个定位的小生境中，初始化核心搜索算法以优化该小生境。结合EA和重新启动计划，由此产生的山谷EA（HillVallEA）相比，目前国家的最先进的小生境方法的标准基准套件多模态优化。在检测到的全局最优值的数量方面的数值结果表明，尽管它的简单性，HillVallEA是有竞争力的基准套件的有限的预算内，并显示出优越的性能，从长远来看。
2018-10-16 cs.NE
Neural-Network-Directed Genetic Programmer for Discovery of Governing Equations
Vanderbilt University Medical Center（范德堡大学医学中心）；Clare Hall, University of Cambridge（剑桥大学克莱尔学堂）
我们开发了一个符号回归框架，用于从观测数据中提取控制数学表达式。演化方法faiGP旨在利用已编码为语法的函数代数的属性，提供通用近似的理论保证和最小化膨胀的方法。在这个框架中，语法的操作符的选择可能是由物理理论或对称性的考虑。由于目前还没有理论，可以得出的“自然常数”，从进化过程中提取这些系数的实证研究是方法论的兴趣。我们量化了不同类型的正则化因子对框架性能的影响，包括从转录组研究中改编的多样性度量和复杂性度量。我们的实现，它利用神经网络和遗传程序员，生成非平凡的符号等价表达式（“Ramanujan表达式”）或近似与潜在的有趣的数值应用。为了说明框架，配体-受体结合动力学模型，包括转录因子的基因调控的帐户，和从组学数据的顺式异构体的调控范围的模型。这项研究具有重要意义的数据驱动的方法的发展，发现控制方程的实验数据来自新的传感系统和高通量筛选技术。
2022-03-15 cs.LG cs.NE
Mathematical exploration and discovery at scale
Google DeepMind（谷歌DeepMind）；Department of Mathematics, Brown University（布朗大学数学系）；Institute for Advanced Study（高级研究院）；UCLA Department of Mathematics（加州大学洛杉矶分校数学系）
AlphaEvolve通过进化搜索发现数学构造，提升数学问题解决效率
2025-12-22 cs.AI cs.NE math.CA
Evolving Personalities in Chaos: An LLM-Augmented Framework for Character Discovery in the Iterated Prisoners Dilemma under Environmental Stress
Izmir Institute of Technology（伊兹密尔理工大学）
本文提出一种结合大语言模型的框架，在环境压力下通过迭代囚徒困境发现可解释的角色原型，提升策略的鲁棒性和可解释性。
2026-01-01 cs.GT cs.NE
CDEoH: Category-Driven Automatic Algorithm Design With Large Language Models
Key Laboratory of Water Big Data Technology of Ministry of Water Resources（水利部水大数据技术重点实验室）；College of Computer Science and Software Engineering, Hohai University（河海大学计算机科学与软件工程学院）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室）
本文提出CDEoH，通过显式建模算法类别并平衡性能与多样性，提升进化稳定性，在多尺度组合优化问题中表现优异。
2026-03-08 cs.AI cs.NE
Offline Multi-Task Multi-Objective Data-Driven Evolutionary Algorithm with Language Surrogate Model and Implicit Q-Learning
School of Computer Science and Engineering, South China University of Technology, Guangzhou, China.（计算机科学与工程学院，华南理工大学，广州，中国）；College of Artificial Intelligence, Nankai University, Tianjin, China.（人工智能学院，南开大学，天津，中国）；Hanyang University, 15588 Ansan, South Korea.（翰阳大学，韩国安山15588）
本研究提出Q-MetaSur算法，通过语言替代模型和隐式Q学习解决离线多任务多目标优化问题，提升目标近似精度和进化算法的收敛与帕累托最优性。
2025-12-17 cs.AI cs.NE
DarwinNet: An Evolutionary Network Architecture for Agent-Driven Protocol Synthesis
China Academy of Information and Communications Technology（信息与通信技术研究院）
DarwinNet通过生物启发的自进化架构，将通信协议从设计时静态模式转向运行时增长模式，利用三层次框架和双循环机制合成业务意图，通过协议固结指数量化系统进化成熟度，实验表明其具备抗脆弱性。
2026-04-14 cs.AI cs.DC cs.MA
