Gene-Machine, a new search heuristic algorithm
介绍了一种基于积木式假设的高效启发式搜索算法--基因机。它的灵感来自自然进化,但没有使用遗传算法中的一些概念,如种群,突变和生成。与遗传算法相比,该启发式算法具有良好的性能,可以用来生成有用的优化和搜索问题的解决方案。
2013-03-08 cs.AI cs.NE
Evolutionary Algorithm for Graph Coloring Problem
图着色问题是计算机科学中研究最多的NP-HARD问题之一。给定一个图,任务是为所有顶点分配一种颜色,使得共享一条边的顶点都不会接收到相同的颜色,并且使用的颜色数量最少。不同的启发式,元启发式,机器学习和混合求解方法已被应用到获得的解决方案。为了解决这个问题,我们使用变异的进化算法。为此,我们引入二进制编码的图着色问题。这种二进制编码有助于我们的变异,评估,免疫系统和合并颜色容易,也减少着色动态。在传统的图着色进化算法中,采用k-着色方法,反复运行进化算法直到达到最低可能值。本文从色数的理论上界,即最大出度+1出发,在进化过程中,对部分颜色进行弃用,以动态减少每一代的颜色数。我们测试了几个标准的DIMACS基准,并比较了现有的论文。最大结果与预期色度相同,少数数据集大于预期色度数
2021-11-17 cs.NE
On the Benefits of Populations on the Exploitation Speed of Standard Steady-State Genetic Algorithms
人们普遍认为,人口是有用的多模态优化问题的全球探索。事实上,有几个理论结果表明,这种优势比单轨迹搜索算法。在本文中,我们提供的证据表明,不断发展的人口通过交叉和变异也可能有利于优化时间爬山单峰函数。特别是,我们证明了OneMax的标准($μ$ +1)~GA的预期运行时间的界限低于其一元黑盒复杂度,并随着人口规模的增加而减少前导常数$μ=O(\sqrt{\log n})$。我们的分析表明,最佳突变策略是在大多数情况下翻转两位。为了实现这一结果,我们提供了两个有趣的贡献随机搜索算法的理论:1)漂移分析的一个新的应用,比较吸收时间的不同马尔可夫链,而不定义一个明确的潜在功能。2)利用基本矩阵的求逆来计算马尔可夫链的吸收时间。后一种策略是以前提出的文献,但据我们所知,这是第一次被用来显示非平凡的预期运行时的界限。
2019-03-26 cs.NE
Genetic Algorithm with Optimal Recombination for the Asymmetric Travelling Salesman Problem
针对旅行商问题的非对称实例,提出了一种新的带最优重组的遗传算法。该算法结合了几个新的特点,有助于其有效性:(i)最佳重组问题是解决交叉算子。(ii)一种新的变异算子在3-opt或4-opt邻域内执行随机跳跃。(iii)初始种群的产生采用了张维庆的贪婪构造性启发式算法和3-opt局部搜索算法。在TSPLIB实例上的计算实验表明,该算法对非对称旅行商问题的求解效果优于其他著名的模因算法.
2017-12-19 cs.NE
The Node Weight Dependent Traveling Salesperson Problem: Approximation Algorithms and Randomized Search Heuristics
车辆路径问题中的几个重要的优化问题可以看作是经典的旅行商问题(TSP)的一个变种。在演化计算领域,旅行小偷问题(TTP)在过去的5年里得到了越来越多的关注。在本文中,我们调查的权重对这些问题的影响,在这个意义上说,旅行的成本增加的权重已经访问过的节点在旅游。这提供了重要的TSP变量的抽象,如旅行小偷问题和时间依赖的TSP变量,并允许精确地研究权重依赖引起的难度增加。我们提供了一个3.59-近似这个权重依赖版本的TSP度量距离和有界的正权重。此外,我们进行了实验研究,简单的随机局部搜索与经典的变异算子和两个变种的国家的最先进的进化算法EAX适应加权TSP。我们的研究结果显示了节点权重对所产生的巡回赛中节点位置的影响。
2020-02-04 cs.NE
Time Complexity Analysis of Randomized Search Heuristics for the Dynamic Graph Coloring Problem
我们有助于对动态问题的随机搜索算法的理论理解。我们考虑了图的经典顶点着色问题,并研究了边被添加到当前图的动态设置。然后,我们分析了随机搜索算法重新计算高质量解决方案的预期时间。(1+1)~进化算法和RLS在颜色数量有界的设置中操作,并且我们最小化冲突的数量。迭代局部搜索算法使用无界调色板,并旨在使用最小的颜色,因此,最小数量的颜色。我们确定了二分图的类别,其中重新优化与从头开始的优化一样困难,甚至比从头开始的优化更困难,即,从随机初始化开始。即使增加一条边也会导致硬对称问题。然而,对于一个算法来说很难的图类对其他算法来说很容易。在大多数情况下,我们的边界表明重新优化比从头开始优化更快。我们进一步表明,定制变异算子的部分发生变化的图形可以显着减少预期的重新优化时间。在大多数设置中,这种定制算法的预期重新优化时间与添加的边的数量成线性关系。然而,定制的算法不能在原始算法效率低下的设置中防止指数时间。
2021-05-26 cs.NE
Exponential Upper Bounds for the Runtime of Randomized Search Heuristics
我们认为,已证明的指数上界运行时,在经典算法的一个既定领域,也是有趣的启发式搜索,我们证明了这样的结果。我们发现,任何算法随机局部搜索,大都会算法,模拟退火,(1+1)进化算法可以优化任何伪布尔弱单调函数在一个大的噪声假设下,在运行时,最多是指数的问题维度~ $n$。这极大地扩展了以前的这样的结果,限于(1+1)EA,LeadingOnes函数,和一位或逐位先验噪声,噪声概率至多为$1/2$,同时简化了其证明。与相同的一般参数,除其他外,我们还推导出一个次指数上限的运行时间的$(1,λ)$进化算法的OneMax问题时,后代人口的大小$λ$是对数,但低于效率阈值。为了表明我们的方法也可以处理非平凡的父种群大小,我们证明了OneMax基准测试上的简单遗传算法的基于变异的版本的运行时的指数上界,与已知的指数下界相匹配。
2021-10-09 cs.NE
Tight Bounds on the Optimization Time of the (1+1) EA on Linear Functions
对函数类的随机搜索算法的分析对于理解潜在的随机过程和开发合适的证明技术是至关重要的。近年来,关于线性函数类上简单(1+1)进化算法的期望优化时间的界取得了显著的进展。我们提高了最好的已知的界限,在这种设置从$(1.39+o(1))en\ln n$到$en\ln n+O(n)$的期望和高概率,这是紧到低阶项。此外,推导出任意突变概率$p$的上界和下界,这意味着期望多项式优化时间与$p=O((\ln n)/n)$一样长,并且如果$p=c/n$为常数$c$,则该上界和下界是紧的。因此,标准变异概率$p=1/n$是最佳的所有线性函数,和(1+1)EA被发现是一个最佳的变异为基础的算法。证明是基于自适应漂移函数和最近的乘性漂移定理。
2011-12-15 cs.NE
Simple Hyper-heuristics Control the Neighbourhood Size of Randomised Local Search Optimally for LeadingOnes
选择HH是随机搜索方法,其在优化过程期间从一组低级搜索中选择并执行搜索。机器学习机制通常用于决定在每个决策步骤中应应用哪个低级启发式。在本文中,我们分析复杂的学习机制是否总是必要的HH执行良好。为此,我们认为最简单的HHS从文献和严格分析其性能的LeadingOnes功能。我们的分析表明,标准的简单随机,置换,贪婪和随机梯度HH没有显示出学习的迹象。虽然以前的HH并不试图从低级启发式的过去表现中学习,但随机梯度HH背后的想法是只要成功就继续利用当前选择的启发式。因此,它嵌入了具有最短记忆的强化学习机制。然而,当扰动组合优化问题的合理解时,有希望的启发式在下一步中成功的概率相对较低。我们概括了简单的随机梯度HH,因此可以在固定的时间段τ内测量成功,而不是单次迭代。对于LO,我们证明了广义随机梯度HH可以在运行过程中学习适应RLS的邻域大小以达到最优。我们证明了它具有最好的性能,可实现与低级别的算法。我们还证明了HH的性能提高作为低级别的本地搜索算法选择的数量增加。最后,我们表明,GRG的优势,RLS和EA使用标准位变异增加,如果考虑到随时性能。实验分析证实了这些结果不同的问题大小。
2019-05-15 cs.NE
Emergence of Structural Bias in Differential Evolution
启发式优化算法的需求很高,由于大量的复杂的优化问题,需要解决。这些问题的复杂性远远超出了精确优化算法的适用范围,因此需要现代数学快速找到可行的解决方案。这些技巧及其效果几乎总是通过特定的问题实例来评估和解释。在以前的作品中,它已被证明,许多这样的算法显示出结构性的偏见,要么被吸引到某个区域的搜索空间或一贯避免区域的搜索空间,在一个特殊的测试功能,旨在确保统一的“探索”的域。在本文中,我们分析了这种结构偏差的出现差异进化(DE)配置,特别是不同的变异,交叉和纠正策略的效果。我们还分析了每个算法运行时出现的结构偏差。最后,我们建议应避免哪些配置,以运行DE无偏。
2021-05-10 cs.NE
OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Heuristic Design
Key Laboratory of Road and Traffic Engineering of the Ministry of Education(教育部道路与交通工程重点实验室);College of Transportation, Tongji University(同济大学交通运输学院)
OR-Agent通过结构化树形工作流和进化-系统化构想机制,实现自动化算法发现的高效探索与科学发现。
2026-09-07 cs.AI cs.CE cs.NE
ES-AHD: An Evolution Strategy Framework for Automatic Heuristic Design
Guangdong University of Technology(广东工业大学);School of Mathematics and Statistics(数学与统计学院);Xidian University(西安电子科技大学);School of Computer Science and Technology(计算机科学与技术学院);Beijing Normal University(北京师范大学);School of Systems Science(系统科学学院)
本研究提出将进化策略与LLM驱动的自动启发式设计融合的ES-AHD框架,通过语义重组与随机协方差适配机制解决现有进化方法的问题,实现高效的启发式算法生成。
2026-09-02 cs.LG cs.NE
Correlated Mutations for Integer Programming
Tel-Hai College(特拉-海学院);Migal Institute(米加尔研究所);University of Jyväskylä(耶夫斯科普大学)
针对整数规划,提出整数进化策略基础,采用截断正态与双几何分布生成相关变异,理论结合实验表明双几何更优,并强调改用L1范数的关键性。
2025-06-27 cs.AI cs.NE math.OC
Hyper-Heuristics Can Profit From Global Variation Operators
本研究证明移动接受超启发式算法在JUMP基准上通过采用全局变异算子获得性能提升,结合全局变异与接受较差解可有效应对局部最优。
2024-07-19 cs.AI cs.DS cs.NE
Unlimited Budget Analysis of Randomised Search Heuristics
各种随机搜索引擎的性能分析是一个快速增长和发展的领域。运行时间和解决方案的质量是这些算法的性能的两个流行的措施。本文的重点是优化启发式实现的解决方案质量,而不是达到这一目标所需的时间,将其与运行时分析远远分开。我们通过引入一种新的分析框架,称为无限预算分析,推导出任意计算步骤后的预期适应值,从而促进其进一步发展。它的根源是最近引入的近似误差分析,并与固定预算分析有一些相似之处。我们提出的框架,将其应用到简单的变异为基础的算法,包括局部和全局搜索。我们提供了一些伪布尔函数无限预算分析的分析结果,并将它们与相同算法和函数的固定预算框架内得出的结果进行比较。也有实验的结果,以比较在两个不同的框架中获得的边界与实际观察到的性能。研究表明,无限预算分析可能导致相同或更一般的估计超出固定预算。
2019-11-07 cs.NE math.OC
Genetic optimization algorithms applied toward mission computability models
遗传算法是模仿生物进化过程,利用自然选择选择最好的物种生存。它们是基于几何学的,计算成本低。遗传算法使用选择、交叉和变异来获得计算问题的可行解。在本文中,我们描述了我们的遗传优化算法的关键任务和约束感知计算问题。
2020-05-27 cs.NE math.OC
Breaking Validity-Induced Boundaries to Expand Algorithm Search Space: A Two-Stage AST-Based Operator for LLM-Driven Automated Heuristic Evolution
School of Mathematics and Statistics, Xi'an Jiaotong University(西安交通大学数学与统计学学院)
本文提出一种双阶段基于AST的算子,通过生成无效结构并利用LLM修复,提升LLM驱动自动启发式进化算法的搜索能力,在TSP和OBP上验证了其优化性能和收敛速度的提升。
2026-04-03 cs.AI cs.NE
MOSAIC: Adversarial Co-evolution of Specialist Heuristics and Problem Instances for LLM-based Automated Heuristic Design
Georgia Institute of Technology(佐治亚理工学院)
本研究提出MOSAIC框架,通过对抗性协同进化组合优化问题的专用启发式算法与问题实例,构建区域专用启发式算法池,所提取的组合在各类基准测试中均优于现有最先进的基于LLM的自动启发式设计方法。
2026-08-11 cs.AI cs.NE
Quantum-Assisted Genetic Algorithm
遗传算法,模仿进化过程来解决优化问题,可以通过使用强大的半局部搜索算法作为变异算子来增强。在这里,我们介绍了反向量子退火,一类量子演化,可用于执行家庭的准本地或准非本地搜索从一个经典的状态,作为新的突变源。反向退火使遗传算法的发展,使用量子波动的突变和经典机制的交叉-我们称之为量子辅助遗传算法(QAGA)。我们描述了一个QAGA和目前的实验结果使用D-Wave 2000 Q量子退火处理器。在一组自旋玻璃输入上,标准(前向)量子退火很快就找到了好的解决方案,但很难找到全局最优解。相比之下,我们的QAGA证明有效地找到这些输入的全局最优解。这种成功的相互作用的非本地经典和量子波动可以提供一个有前途的一步,实际应用的噪声中间尺度量子(NISQ)设备的启发式离散优化。
2019-06-24 cs.NE quant-ph
Multilevel Memetic Hypergraph Partitioning with Greedy Recombination
超图划分(HGP)问题是一个研究得很好的问题,在各种领域都有应用。关于HGP问题的文献主要集中在开发快速启发式方法上。在超大规模集成电路设计和数据库迁移规划等应用领域中,求解的质量比算法的运行时间更受关注。KaHyPar-E是第一个为HGP问题设计的多级模因算法,与启发式算法相比,如果给出足够的计算时间,它返回更好的质量解决方案。在这项工作中,我们引入了新的问题特定的重组和变异算子,并开发了一个新的多级模因算法结合KaHyPar-E与这些运营商。我们的算法的性能进行了比较,与国家的最先进的HGP算法的$150$现实生活中的实例,从基准数据集在文献中使用。在实验中,这将需要$39,000$小时在单核计算机中,每个算法被赋予$2, 4$和$8$小时来计算每个实例的解决方案。我们的算法优于所有其他算法,并分别在$2, 4$和$8$小时内找到$112$、$115$和$125$实例中的最佳解决方案。
2022-04-07 cs.NE
Anytime Analysis on BinVal: Adaptive Parameters Help
Hasso Plattner Institute University of Potsdam(波茨坦大学哈索·普拉特纳研究所)
研究分析了进化算法和分布估计算法在BinVal适应度函数下的任意时间性能,展示了不同算法在优化n位字符串中o(n)位时的运行时间界。
2026-04-08 cs.NE
Mixed Strategy May Outperform Pure Strategy: An Initial Study
在纯策略元搜索中,始终只应用一种搜索策略。在混合策略元分析中,每次从一个策略池中以一定概率选择一个搜索策略并应用。一个例子是经典的遗传算法,其中每次都以概率选择变异或交叉算子。本文的目的是比较混合策略和纯策略的元启发式算法的性能。首先进行了实验研究,结果表明,混合策略进化算法可以优于纯策略进化算法的0-1背包问题在高达77.8%的情况下。然后,严格证明了互补策略定理,以应用混合策略在人口水平。该定理断言,给定两个元启发式算法,其中一个使用纯策略1,另一个使用纯策略2,如果存在混合策略Meta,则纯策略2与纯策略1互补的条件是充分必要的。由这两种纯策略导出的遗传算法,其寻找最优解的期望代数不超过纯策略1,对于某些初始种群,策略1的策略比纯策略1的策略要小。
2014-04-22 cs.GT cs.NE
Local Search on Vertex Coloring for Bipartite Graphs
Universität Potsdam(波茨坦大学)
研究局部搜索在二分图顶点着色问题上的能力,分析不同结构二分图的局部搜索景观,并引入灰盒变异算子实现完全二分图上的最优着色,期望运行时间Θ(n log n)。
2026-06-08 cs.NE
A Component Based Heuristic Search Method with Evolutionary Eliminations
School of Computer Science, The University of Nottingham(诺丁汉大学计算机科学学院)
护士排班是一个复杂的调度问题,影响医院人员每天在世界各地。本文提出了一种新的基于组件的方法与进化淘汰,护士调度问题出现在英国一家大医院。这种技术背后的主要思想是将时间表分解成其组件(即每个护士的分配轮班模式),然后分别在这些组件上实施两种模仿自然选择和自然突变过程的进化消除策略,以迭代地提供更好的时间表。进度表中所有组件的价值必须不断得到证明,以使它们保持在那里。该演示采用了一个评估功能,该功能评估每个组件对最终目标的贡献程度。然后应用两个消除步骤:第一个消除消除被认为不值得留在当前计划中的一些组件;第二个消除也可能以低概率丢弃一些有价值的组件。使用一组使用局部最优准则的建设性算法,用新的组件补充被消除的组件。使用52个数据实例的计算结果表明,该方法在解决现实世界中的问题的适用性。
2009-10-14 cs.AI cs.NE
Lower Bounds for Non-Elitist Evolutionary Algorithms via Negative Multiplicative Drift
非精英群体为基础的进化算法的一个体面的数量的下界已经显示了现在。它们中的大多数在技术上要求很高,因为(很难避免)使用负漂移定理--将预期的进展从目标转化为高命中时间的一般结果。我们提出了一个简单的负漂移定理乘法漂移的情况下,它可以简化现有的分析。我们更详细地讨论了Lehre(PPSN 2010)的\emph{negative drift in populations}方法,这是证明离散搜索空间的基于非精英变异的进化算法的运行时间下界的最通用工具之一。结合其他论证,我们得到了另一种更简单的证明,这也加强和简化了这种方法。特别是,现在只需验证先前结果的五个技术条件中的三个。我们得到的下界是明确的,而不仅仅是渐近的。这允许计算具体算法的具体下限,但也使我们能够表明,超多项式运行时已经出现时,再现率仅低于阈值的$(1 - ω(n^{-1/2}))$因素。对于使用具有随机突变率的标准位突变的算法的特殊情况(在超随机语言中称为均匀混合),我们证明了Dang和Lehre(PPSN 2016)所述的结果,并将其扩展到$Θ(1/n)$以外的突变率,其中包括Doerr,Le,Makhmara和Nguyen提出的重尾突变算子(GECCO 2017)。最后,我们应用我们的方法和一个新的支配参数,以显示一个指数下界的运行时间的变异只有简单的遗传算法\onemax为任意人口规模。
2020-10-20 cs.DS cs.NE
Behaviour Space Analysis of LLM-driven Meta-heuristic Discovery
Leiden University(莱顿大学);University of Stirling(斯特灵大学)
本文通过行为空间分析研究LLM驱动的元启发式算法发现,比较六种LLaMEA变体在BBOB基准上的表现,发现结合代码简化和随机扰动提示的1+1精英进化策略性能最佳,并揭示了高性能算法具有更强利用行为和更快收敛的特征。
2025-07-04 cs.AI cs.NE
A Polynomial Time Approximation Scheme for a Single Machine Scheduling Problem Using a Hybrid Evolutionary Algorithm
目前,混合进化算法,即结合若干变异算子的启发式搜索算法,已成为解决各种NP-难优化问题的一种相当流行的方法。虽然实证研究表明,混合进化算法经常成功地找到解决方案,具有足够接近最佳的适应度,很少有文章解决的计算复杂性在数学上严格的方式。本文致力于一个数学动机的设计和分析的参数化家庭的进化算法,提供了一个多项式时间的近似计划,著名的NP-难的组合优化问题之一,即“单机排序问题无优先约束”。作者希望本文中开发的技术和思想可以应用于许多其他情况。
2014-04-22 cs.NE
Flipping the switch on local exploration: Genetic Algorithms with Reversals
复杂系统的一个重要特征是问题域具有许多局部极小值和子结构。生物系统通过在不同的子系统之间切换来管理这些局部最小值,这取决于它们的环境或发展背景。遗传算法(GA)可以模仿这种切换属性,以及提供一种手段,以克服问题域的复杂性。然而,标准GA需要额外的运营商,将允许大规模的探索,以随机的方式。无约束启发式搜索技术适合于在离散域中为这种单目标优化任务提供最优解,特别是与明显较慢的基于梯度的方法相比。为了做到这一点,作者转向从航班调度域的优化问题。作者比较了这种常见的无梯度启发式搜索算法的性能,并提出了变异的遗传算法。迭代链接(IC)方法也被引入,建立在传统的链接技术,触发多个本地搜索,而不是一个突变算子的奇异动作。作者将表明,使用多个本地搜索可以提高本地随机搜索的性能,为应用到其他问题领域的主机提供了充足的机会。据观察,建议的GA变种具有最低的平均成本在所有的基准,包括提出的问题和IC算法比它的成分表现更好。
2022-08-24 cs.NE
PyVRP$^+$: LLM-Driven Metacognitive Heuristic Evolution for Hybrid Genetic Search in Vehicle Routing Problems
Singapore Management University(新加坡管理大学);Nanyang Technological University(南洋理工大学);University of Oxford(牛津大学)
本文提出PyVRP$^+$,通过LLM驱动的元认知启发式进化方法改进混合遗传搜索算法,发现更高效的启发式策略,提升VRP问题的求解性能。
2026-04-09 cs.AI cs.NE
Chaos inspired Particle Swarm Optimization with Levy Flight for Genome Sequence Assembly
随着基因组测序的出现,个性化医疗领域发生了革命性的变化。从药物测试和研究疾病和突变到氏族基因组学,都需要研究基因组。然而,基因组序列组装是一个非常复杂的计算生物学组合优化问题。粒子群优化算法是一种流行的启发式群体智能优化算法,用于解决组合优化问题。在本文中,我们提出了一个新的变种粒子群算法来解决这个置换优化问题。将粒子群优化算法与混沌算法和Levy Flight(一种随机游走算法)相结合,有效地平衡了算法的探索和利用能力。实证实验进行评估所提出的方法相比,在文献中提出的其他变种的PSO的性能。分析是在四个DNA覆盖数据集上进行的。所进行的分析表明,该模型达到了更好的性能,更好的可靠性和一致性相比,在所有情况下,其他竞争力的方法。
2021-10-20 cs.NE
Improved Runtime Results for Simple Randomised Search Heuristics on Linear Functions with a Uniform Constraint
The University of Adelaide(阿德莱德大学);DTU Compute(丹麦技术大学计算学院);Technical University of Denmark(丹麦技术大学);Optimisation and Logistics(优化与物流(此处为机构内部门,按要求不提取))
在过去的十年中,在开发用于分析随机搜索算法的适当证明技术方面取得了显着进展。这些算法对函数类的理论研究对于理解潜在的随机过程是必不可少的。线性函数传统上已在这方面的研究,导致在严格的边界上的预期优化时间的简单随机搜索算法这类问题。最近,这类问题的约束形式得到了人们的关注,也得到了一些关于这类问题的理论结果。本文研究了一致约束下的线性函数类,并研究了随机局部搜索(RLS)和一种简单的进化算法(1+1)EA的期望优化时间。我们证明了RLS的$Θ(n^2)$的一个紧界,并将(1+1)EA的上界从$O(n^2 \log (Bw_{\max}))$改进为期望的$O(n^2\log B)$和高概率的$O(n^2 \log n)$,其中$w_{\max}$和$B$分别是线性目标函数的最大权和一致约束的界.同时,在一类特殊的实例上,得到了(1+1)EA的$O(n^2)$的紧界.我们补充我们的理论研究的实验调查,考虑不同的值的$B$和更高的突变率,反映了这样一个事实,即$2$位翻转是至关重要的处理与统一的约束。
2020-10-21 cs.AI cs.NE
Genetic algorithms for the resource-constrained project scheduling problem in aircraft heavy maintenance
由于飞机大修(AHM)中相互关联的活动的复杂集合,许多航空公司不得不处理大量的飞机维修停机时间。AHM中的调度问题被认为是一个NP难问题。使用精确算法可能很耗时,甚至不可行。提出了一种求解AHM中资源受限项目调度问题的遗传算法。该研究的目的是尽量减少维修计划的完工时间。所提出的算法应用五个启发式调度规则来产生一个初始种群的基础上活动列表的形成。采用RCPSPearly start time(EST)和RCPSPearly start time(WEST)的资源分配方法对适应度进行评价。在选择过程中采用了精英主义和轮盘赌的方法。然后通过交叉和变异操作迭代地改进活动列表的序列。结果表明,所提出的算法执行有效的计算时间和资源分配方面的现有解决方案相比。
2022-06-16 cs.NE
On the approximation ability of evolutionary optimization with application to minimum set cover
进化算法(Evolutionary Algorithms,EAs)是一种受自然进化启发的启发式算法。在实践中,它们经常被用来获得满意的解。在本文中,我们研究了一个在很大程度上未被探索的问题:在如何接近的解决方案是一个最佳的解决方案方面的EAs的近似性能。我们研究了EA框架命名为简单EA与孤立的人口(SEIP),可以实现为一个单一的或多目标EA。我们分析了SEIP的近似性能,使用部分比率,它表征的近似比,可以保证。具体来说,我们分析SEIP使用一个集覆盖问题,这是NP难的。我们发现,在一个简单的配置,SEIP有效地实现了$H_n$ -逼近比,渐近下限,无界集覆盖问题。我们还发现,SEIP有效地实现了$(H_k-\frac{k-1}/{8k^9})$ -近似比,目前最好的实现结果,为k-集覆盖问题。此外,对于一个实例类的k-集覆盖问题,我们揭示了如何SEIP,使用一位或逐位变异,可以克服困难,限制了贪心算法。
2012-01-08 cs.NE
BLADE: Benchmark suite for LLM-driven Automated Design and Evolution of iterative optimisation heuristics
LIACS, Leiden University(LIACS,莱顿大学)
本文提出BLADE,一个模块化可扩展的基准测试框架,用于在连续黑盒优化中系统评估LLM驱动的自动化算法发现方法,集成多基准问题与分析工具,支持公平比较与过程分析。
2025-04-28 cs.AI cs.NE cs.SE
An Extended Jump Functions Benchmark for the Analysis of Randomized Search Heuristics
École Polytechnique, Institut Polytechnique de Paris(巴黎综合理工学院,巴黎理工学院);Laboratoire d’Informatique (LIX), CNRS, École Polytechnique, Institut Polytechnique de Paris(法国国家科学研究中心信息学实验室(LIX),巴黎综合理工学院,巴黎理工学院)
针对传统跳跃函数基准结构特殊、结果代表性存疑的问题,提出含低适应度谷的扩展跳跃函数类$\textsc{Jump}_{k,δ}$,证明部分进化算法相关结果可推广,也发现部分结果不通用,支持更宽适应度谷的计算实验。
2022-04-28 cs.AI cs.NE
Evolutionary Mesh Numbering: Preliminary Results
Ecole Polytechnique(巴黎综合理工学院)
本文使用进化算法对有限元方法中的网格编号问题进行初步研究,实现了对标准启发式方法12%-20%的改进。
2007-06-11 cs.NA cs.NE math.NA
VNE Strategy based on Chaotic Hybrid Flower Pollination Algorithm Considering Multi-criteria Decision Making
China University of Petroleum (East China)(中国石油大学(华东));Newcastle University(纽卡斯尔大学);Chandigarh University(昌迪加尔大学);CGC College of Engineering(CGC工程学院)
随着科学技术的发展和多准则决策(MCDM)的需要,需要解决的优化问题变得极其复杂。理论上精确的和最优的解决方案往往很难获得。因此,基于多点搜索的元启发式算法受到了广泛的关注。针对这些问题,讨论了虚拟网络嵌入(VNE)问题的混合花授粉算法的设计策略。该算法结合了遗传算法和FPA的优点,针对离散优化问题的特点进行了优化。用交叉操作代替异花授粉操作完成全程搜索并替换变异操作,用自花授粉操作增强局部搜索能力。此外,一个生存周期机制被引入作为传统的基于适应度的选择策略的补充,以避免过早收敛。引入混沌优化策略代替随机序列引导的交叉过程,以增强全局搜索能力,降低产生无效个体的概率。
2022-02-07 cs.AI cs.NE
Discovering Attention-Based Genetic Algorithms via Meta-Black-Box Optimization
Technical University Berlin(柏林工业大学);DeepMind(深度思维);University of Oxford(牛津大学)
本研究提出通过元黑盒优化将遗传算法的选择和变异率自适应参数化为注意力模块,从而数据驱动地发现全新的遗传算法,其泛化能力和性能均优于传统基线算法。
2023-04-08 cs.LG 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
Influence Maximization in Hypergraphs using Multi-Objective Evolutionary Algorithms
针对超图场景下的影响最大化问题,首次提出融合智能初始化与超图感知变异的多目标进化算法,经多数据集和传播模型验证,在超体积和解多样性上多数达SOTA水平。
2024-05-16 cs.NE cs.SI
SQG-Differential Evolution for difficult optimization problems under a tight function evaluation budget
在工业工程的背景下,重要的是在产品开发过程中集成有效的计算优化方法。一些最具挑战性的基于仿真的工程设计优化问题的特点是:大量的设计变量,没有分析梯度,高度非线性的目标和有限的功能评估预算。虽然有大量不同的优化算法可用,但针对具有这些工业相关特征的问题的有效算法的开发和选择仍然是一个挑战。在这篇文章中,介绍了差分进化(DE)的一个混合变体,它在DE的框架内结合了随机准梯度(SQG)方法的各个方面,以提高具有上述特征的问题的优化效率。所得到的衍生物的自由算法的性能进行比较,与其他国家的最先进的DE变种25常用的基准函数,在严格的功能评估预算约束下的1000评价。实验结果表明,该算法对高维、多模态、不可分的“困难”测试函数具有较好的性能。所提出的变异方案中使用的操作在计算上是廉价的,并且可以通过几行程序代码作为非侵入性的可选设置在现有的差分进化变体或其他基于群体的优化算法中容易地实现。除了所提出的算法本身的适用性,所描述的概念可以作为一个有用的和有趣的除了算法操作符的框架中的进化和进化优化和计算。
2018-07-12 cs.NE math.OC