A quantum genetic algorithm with quantum crossover and mutation operations
在字面意义上的进化量子计算的上下文中，迄今为止还没有引入量子交叉操作。在这里，我们介绍了一种新的量子遗传算法，它有一个量子交叉程序执行交叉之间的所有染色体并行每一代。复杂度分析表明，在处理每一代的运行时间的主导因素上，与经典算法相比，该算法实现了二次加速。
2013-11-22 cs.NE quant-ph
Standard Steady State Genetic Algorithms Can Hillclimb Faster than Mutation-only Evolutionary Algorithms
在演化计算中，解释遗传算法的真正力量在多大程度上在于交叉将个体重组成更高质量解的能力是一个重要的问题。在本文中，我们将展示如何变异和交叉之间的相互作用可以使遗传算法爬山速度比他们的变异只有同行。我们设计了一个马尔可夫链框架，允许严格证明上界的标准稳态遗传算法爬山OneMax函数的运行时间。的界限建立，稳态遗传算法是25%的速度比所有标准的位变异的进化算法的静态突变率达到较低的顺序项为中等人口规模。分析还表明，较大的种群可能比大小为2的种群更快。我们提出了一个贪婪的（2+1）GA匹配的上限大于2的人口的下限，严格证明了2个人不能超越更大的人口规模下贪婪的选择和贪婪的交叉到低阶项。在互补实验中的最佳人口规模是大于2和贪婪的遗传算法是比标准的更快，进一步表明，推导出的下限也适用于标准的稳态（2+1）GA。
2017-08-25 cs.NE
Direct Mutation and Crossover in Genetic Algorithms Applied to Reinforcement Learning Tasks
University of Birmingham（伯明翰大学）；Technology Innovation Institute（技术创新研究院）
神经进化最近被证明在强化学习（RL）设置中具有相当的竞争力，并且能够减轻基于梯度的方法的一些缺点。本文将集中于应用神经进化，使用一个简单的遗传算法（GA），以找到一个神经网络，产生最佳行为代理的权重。此外，我们提出了两个新的修改，提高了数据效率和收敛速度相比，初始实现。这些修改在OpenAI gym提供的FrozenLake环境中进行了评估，并证明明显优于基线方法。
2022-01-19 cs.LG 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
The Exact Schema Theorem
模式是固定长度二进制字符串空间的自然定义的子集。霍兰德模式定理给出了一个简单的遗传算法一代后模式中种群的期望分数的下界。本文给出了简单遗传算法在一个方案中经过一代后种群的精确期望分数的计算公式。霍兰德的模式定理有三个部分，一个用于选择，一个用于交叉，一个用于变异。选择部分是精确的，而交叉和变异部分是近似的。本文展示了如何交叉和变异部分可以准确。霍兰德的模式定理作为一个推论自然地遵循。在Walsh基中，模式与总体的表示有着密切的关系。这种关系用于结果的推导，并且还可以使模式平均值的计算更有效。本文给出了Vose无限种群模型的一个版本，其中交叉和变异被分成两个功能，而不是一个单一的“混合”功能。
2011-05-18 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
Analyzing the Performance of Mutation Operators to Solve the Travelling Salesman Problem
遗传算法包含了一些需要调整的参数，这样才能得到可靠的结果。选择一个代表性的问题，初始人口，选择方法，交叉算子，变异算子，交叉和变异的概率，插入方法创建一个变种的遗传算法。我们的工作是这个角度的答案的一部分，找到这个组合问题的解决方案。用遗传算法求解旅行商问题（TSP）时，最佳参数是什么？在本文中，我们提出了一个不同的变异算子的比较分析，周围的扩大讨论，证明遗传算子选择解决TSP问题的相关性。
2012-03-14 cs.CE cs.NE
Evolutionary Generative Adversarial Networks with Crossover Based Knowledge Distillation
Jilin University（吉林大学）
生成对抗网络（GAN）是一种对抗模型，它已被证明是有效的各种生成任务。然而，GAN及其变体也遭受许多训练问题，例如模式坍塌和梯度消失。在本文中，我们首先提出了一个通用的交叉算子，它可以广泛应用于GANs使用进化策略。在此基础上设计了一个进化GAN框架C-GAN，并将交叉算子与进化生成对抗网络（EGAN）相结合，实现了带交叉的进化生成对抗网络（CE-GAN）。在使用多种损失函数作为变异算子生成变异个体的前提下，对生成的样本进行评价，并允许变异个体以知识蒸馏的方式从输出中学习经验，模仿最佳输出结果，产生更好的后代。然后，我们选择了最好的后代作为父母，为后续的训练，使用神经网络作为评估器。在真实数据集上的实验证明了CE-GAN的有效性，并表明我们的方法在生成的图像质量和时间效率方面具有竞争力。
2021-07-19 cs.LG cs.NE
Node Preservation and its Effect on Crossover in Cartesian Genetic Programming
Department of Computer Science（计算机科学系）；BEACON Center for the Study of Evolution in Action Michigan State University, East Lansing, MI 48824, USA（进化机制行动研究中心 密歇根州立大学 埃文斯兰斯）
本文通过比较节点保留的交叉和突变算子，发现其在符号回归中提升了搜索性能，推动CGP交叉的通用解决方案发展。
2025-11-24 cs.AI cs.LG cs.NE
Study of Some Recent Crossovers Effects on Speed and Accuracy of Genetic Algorithm, Using Symmetric Travelling Salesman Problem
旅行商问题（TSP）是最著名的优化问题之一。遗传算法（Genetic Algorithm，GA）是一种应用于TSP问题的元算法。交叉和变异算子是遗传算法的两个重要组成部分。有许多TSP求解器交叉算子。在本文中，我们的状态实现一些最近的TSP求解器交叉在第一，然后我们使用它们中的每一个在遗传算法中解决一些对称TSP（STSP）的情况下，最后比较它们的效果的速度和精度的遗传算法。
2015-04-10 cs.NE
Hyper-Parameter Tuning for the (1+(λ,λ)) GA
已知具有自调整参数选择的$(1+(λ,λ))$ ~遗传算法（GA）在OneMax上实现线性期望优化时间，如果其超参数被适当地选择。然而，它不是很好地理解如何超参数设置影响的整体性能的$(1+(λ,λ))$ ~GA。精确地分析这种多维依赖关系是运行时分析所能提供的边缘。为了在这个问题上向前迈进一步，我们提出了一个深入的实证研究的自调整$(1+(λ,λ))$ ~GA和它的超参数。我们表明，在许多其他结果中，一个15%的平均运行时间减少是可能的，通过稍微不同的设置，它允许不相同的后代种群大小的突变和交叉阶段，和更多的灵活性，在选择的突变率和交叉偏置-泛化，这可能是独立的利益。我们还表明，变异率和交叉偏差的参数化的静态变体的$(1+(λ,λ))$ ~GA扩展到非静态的情况下，通过理论手段。
2019-04-09 cs.NE
A multiplicity-preserving crossover operator on graphs. Extended version
进化算法通常通过交叉和变异来探索解的搜索空间。变异是对一个解的一个小的局部修改，而交叉是混合两个解的遗传信息来计算一个新的解。对于模型驱动优化（MDO），其中模型直接作为可能的解决方案（而不是首先将它们转换为另一种表示），直到最近才开发出一种通用的交叉算子。使用图作为模型的正式基础，我们进一步完善这个操作，以这样一种方式，额外的良构性约束被保留：我们证明，给定两个模型，满足一组给定的多重性约束作为输入，我们的改进交叉算子计算两个新的模型作为输出，也满足一组约束。
2022-08-23 cs.NE cs.SE
Stagnation Detection Meets Fast Mutation
本文提出一种结合停滞检测与重尾快速变异的新变异策略，既能保持寻找单个远处解的最优概率，又在存在多个改进解时同时超越两种原有机制及其交错形式。
2022-05-03 cs.NE
A General Dichotomy of Evolutionary Algorithms on Monotone Functions
如果$c<1$满足，则具有变异率$c/n$的进化算法$(1+1)$-EA有效地优化了每个单调函数，如果$c\geq 2.2$满足，则在某些单调函数（HotTopic函数）上需要指数时间.我们研究了同样的问题，大量的各种算法，特别是$(1+λ)$ -EA，$(μ+1)$ -EA，$(μ+1)$ -GA，他们的快速同行，如快速$(1+1)$ -EA，和$(1+(λ,λ))$ -GA。我们发现，所有考虑的基于变异的算法表现出类似的二分法的HotTopic功能，甚至为所有单调的功能。对于$(1+(λ,λ))$ -GA，该二分法在参数$cγ$中，参数$cγ$是在忽略选择的情况下，在变异和交叉之后个体中的位翻转的预期数量。对于快速算法，二分法是在$m_2/m_1$中，其中$m_1$和$m_2$是位翻转次数的第一和第二下降时刻。令人惊讶的是，有效参数的范围是不受人口规模$μ$，也不受后代人口规模$λ$。如果允许交叉，则图像完全改变。当$μ$足够大时，遗传算法$(μ+1)$ -GA和快速$(μ+1)$ -GA对任意突变强度都是有效的.
2018-03-28 cs.NE
On the performance of different mutation operators of a subpopulation-based genetic algorithm for multi-robot task allocation problems
不同变异算子的性能通常结合遗传算法和目标问题的特定参数设置进行评价。大多数研究集中在不同参数的经典遗传算法或求解无约束组合优化问题，如旅行商问题。本文提出了一种基于子群的遗传算法来解决多机器人任务分配问题。目标问题是受约束的组合优化问题，并且如果涉及合作任务，则会更加复杂，因为这些任务会引入额外的空间和时间约束。与传统的采用锦标赛选择和部分映射交叉的遗传算法相比，所提出的遗传算法能获得更好的解。评价了不同变异算子在无/有协同任务情况下求解问题的性能。结果表明，在无合作任务的情况下，反向变异算法的性能优于其他算法，而在有合作任务的情况下，互换-反向组合算法的性能优于其他算法。
2016-06-02 cs.NE
Fast Genetic Algorithms
对于使用长度为~ $n$的位串表示的遗传算法，一般建议将$1/n$作为变异率。在这项工作中，我们讨论这是否真的是合理的多峰函数。以跳跃函数和$(1+1)$进化算法为最简单的例子，我们观察到，较大的变异率，得到显着更好的运行时间。对于$\jump_{m,n}$功能，与标准选择相比，$2/n$和$m/n$之间的任何突变率都会导致$m$的速度至少呈指数级增长。渐近最佳运行时，从使用突变率$m/n$，并导致在$m$的加速超指数，是非常敏感的突变率的小变化。任何小$(1 \pm \eps)$因子的偏差都会导致$m$的指数减慢。因此，任何固定的突变率给出了强烈的次优结果，大多数跳跃函数。基于这一观察，我们建议使用随机突变率$α/n$，其中$α$是从幂律分布中选择的。我们证明，$(1+1)$ EA与此重尾突变率优化任何$\jump_{m,n}$功能的时间，只有一个小的多项式（在~ $m$）的因素以上的一个源于此$m$的最佳速率。我们的重尾变异算子产生类似的速度加快（在最好的已知性能保证）的顶点覆盖问题的二分图和匹配问题的一般图。以快速模拟退火、快速进化策略和快速进化规划为例，我们提出了使用重尾变异算子\emph{fast genetic algorithms}来调用遗传算法。
2017-03-15 cs.NE
Effective Adaptive Mutation Rates for Program Synthesis
针对程序综合中进化算法变异率超参数难调、现有自适应方案易出现变异率消失问题，提出基于多臂老虎机的自适应变异率方案，免去手动指定变异率，经软件综合与符号回归任务验证有效。
2024-06-23 cs.NE
Evolving A-Type Artificial Neural Networks
我们研究图灵的A型人工神经网络的概念。我们研究了图灵的原始想法的改进，动机的工作Teuscher，公牛，Preen和科普兰。我们的A类型可以通过接受和输出二进制向量序列来处理二进制数据;因此我们可以将函数与A类型相关联，我们说A类型{ \em表示}该函数。有两种数据处理模式：箝位和顺序。我们描述了一个进化算法，涉及图论操作的A型，搜索A型代表一个给定的功能。该算法同时使用变异和交叉算子。我们实现了该算法，并将其应用到三个基准任务。我们发现该算法的性能比随机搜索好得多。对于三个任务中的两个，交叉算法的性能优于仅变异版本。
2011-08-07 cs.NE
Evolutionary Approach to Test Generation for Functional BIST
本文研究了一种演化的功能内建自测试测试生成方法。所提出的方案的目的是通过允许设备的微程序测试其逻辑，提供一个观察结构的系统，并生成适当的测试数据给定的架构，以尽量减少测试数据量。提出了两种在功能级上获得确定性测试集的方法。第一种方法是基于经典的遗传算法与二进制和算术交叉和变异算子。第二种使用遗传编程，其中测试表示为一系列微操作。在后一种情况下，我们应用两点交叉的基础上交换测试序列和变异实现的微操作或操作数的随机替换。实验数据的程序实现显示所提出的方法的效率。
2010-07-31 cs.NE
Accelerating Evolution: Integrating PSO Principles into Real-Coded Genetic Algorithm Crossover
Xiaobo Jin School of Information Engineering Taizhou Vocational College of Science & Technology（金晓波 学校信息工程学院 太zhou 职业科技学院）；Traditional Chinese Medicine department Taizhou First People’s Hospital（传统中医部门 太zhou 第一人民医院）
本文提出融合粒子群优化思想的实数编码遗传算法交叉算子PSOX，利用全局最优与历史最优信息加速收敛并保持多样性，在15个基准函数上验证其优于五种先进交叉算子，并给出变异率调参指导。
2025-05-06 cs.AI cs.NE
A Seft-adaptive Multicellular GEP Algorithm Based On Fuzzy Control For Function Optimization
为了提高传统GEP算法的全局寻优能力，提出了一种基于模糊控制的多细胞基因表达式编程算法（Multicellular GEP Algorithm Based On Fuzzy Control，MGEP-FC）。MGEP-FC算法通过构造模糊隶属度函数来描述交叉率、变异率和实数变异率的大小。根据个体适应度值在种群中的集中度和分散度，动态调整遗传操作的交叉率、变异率和实数集变异率。为了使种群的多样性在迭代过程中得以延续，设计了一种新的遗传操作方案，将新个体与父代种群相结合构建临时种群，并对临时种群和子种群的多样性进行了优化。12个Benchmark优化实验结果表明，MGEP-FC算法在稳定性、全局收敛性和寻优速度等方面都有了很大的提高。
2019-04-01 cs.NE
Boundary Evolution Algorithm for SAT-NP
提出了一种同时考虑底层和高层交叉和变异的边界进化算法，分层遗传算法的边界。设计了基于可选退火的算子和最优个体。在现有遗传算法的基础上，将带交叉和变异的边界进化算法应用于SAT问题，并与传统的遗传算法和传统的分层遗传算法等算法进行了比较。通过求解SAT问题的对比实验，证明了基于模拟退火和最优个体的递阶遗传算法能有效地避免最优个体的发散和丢失，有利于NP问题的求解，从而大大提高了求解SAT问题的成功率和收敛速度。虽然对更多的算法还需要进行更广泛的比较，但递阶遗传算法对边界弹性的考虑是进化算法的一种体现。
2018-12-22 cs.NE
A multi-agent evolutionary robotics framework to train spiking neural networks
Purdue University（普渡大学）
一种新的多智能体进化机器人（ER）为基础的框架，灵感来自自然界中的竞争进化环境，证明了训练脉冲神经网络（SNN）。SNN群体的权重以及它们在ER环境中控制的机器人的形态参数被视为表型。该框架的规则选择某些机器人及其SNN进行繁殖，并根据它们在竞争环境中捕获食物的效率来消除其他机器人及其SNN。虽然机器人和它们的SNN没有通过任何损失函数获得生存或繁殖的明确奖励，但当它们进化为在这些规则内狩猎和生存时，这些驱动力会隐式地出现。它们捕获食物的效率作为世代的函数，表现出间断平衡的进化特征。两个进化遗传算法的表型，变异和交叉变异，演示。这些算法的性能进行了比较，使用合奏的100个实验，每个算法。我们发现，交叉与突变促进40%的速度比单纯的突变在SNN的学习具有统计学显着的利润率。
2020-12-07 cs.AI cs.NE
A Crossover That Matches Diverse Parents Together in Evolutionary Algorithms
QED Software（QED软件公司）
交叉和变异是进化方法中产生新解的两个主要算子。在这篇文章中，一种新的方法进行交叉阶段。选择问题是进化决策树的构造。该方法的目的是找到这样的个人，在一起相互补充。因此，我们说他们是双重专业化的。我们提出了计算所谓的互补适应度的方法。在几个实证实验中，我们评估了四种变体中提出的方法的有效性，并将其与基于适应度排名的方法进行比较。有一个变式显然是最佳办法，而其余的则低于基线。
2021-05-08 cs.AI cs.NE
Escaping Local Optima using Crossover with Emergent or Reinforced Diversity
种群多样性是避免遗传算法早熟收敛和有效利用交叉算子的关键。然而，种群中多样性如何出现的动力学还没有得到很好的理解。我们使用严格的运行时分析，以深入了解人口动态和GA性能的（$μ$ +1）GA和$\text{Jump}_k$测试功能。我们发现，交叉和突变的相互作用可能会作为一种催化剂，导致突然爆发的多样性。这导致与仅变异算法（如（1+1）EA）相比，$Ω(n/\log n)$阶的预期优化时间的改进。此外，通过任意小的常数因子增加突变率可以促进多样性的产生，从而导致$Ω(n)$阶的加速。我们还比较了七种常用的多样性机制，并评估它们对（$μ$ +1）GA运行时边界的影响。在这种情况下，所有以前的结果只适用于不切实际的低交叉概率$p_c=O(k/n)$，而我们在所有情况下，但一个恒定的$p_c < 1$的设置进行分析。对于恒定$k > 2$和恒定$p_c$的典型情况，假设$μ$的最佳选择，我们可以比较不同分集机制的所得预期运行时间：用于重复消除/最小的$O(n^{k-1})$，$O(n^2\log n)$用于最大化凸包，$O(n\log n)$用于确定性拥挤（假设$p_c = k/n$），$O(n\log n)$用于最大化汉明距离，$O(n\log n)$用于适应度共享，$O(n\log n)$用于单接收器岛模型。这证明了（$μ$ +1）GA的所有变体与（1+1）EA相比具有相当大的优势，…
2016-08-10 cs.CC cs.NE q-bio.PE
Recorded Step Directional Mutation for Faster Convergence
Aptex Software（Aptex软件公司）
本文描述的两种元进化优化策略加速了进化规划算法的收敛，同时仍然保留了它们处理多模态问题的能力。这两种策略分别称为定向变异和记录步，它们可以独立操作，但结合在一起可以极大地提高进化规划算法处理以狭长谷为特征的适应度景观的能力。该组合方法的定向突变方面使用相关元突变，但不引入完整的协方差矩阵。因此，这些新方法在高维问题的存储方面更加经济。此外，方向突变是旋转不变的，这是相对于自适应方法的实质性优势，自适应方法针对问题的自然取向不沿轴取向的问题使用每个坐标的单个方差。
2009-03-26 cs.LG cs.NE
A Rank based Adaptive Mutation in Genetic Algorithm
IBM India Pvt. Ltd.（IBM印度私人有限公司）
传统的遗传算法已被用于优化单峰和多峰函数。早期的研究人员使用恒定概率的GA控制算子，如交叉，变异等，以调整特定领域的优化。最近在这一领域的进展见证了自适应方法的概率确定。在自适应变异中，主要利用较差个体来探索状态空间，因此变异概率通常与最佳染色体与其自身的适应度之差（fMAX-f）成比例地产生。然而，这种方法在优化期间容易受到适应度分布的性质的影响。本文提出了一种利用染色体秩产生突变概率的方法，以避免对适应度分布的敏感性。通过实验比较了固定变异概率的简单遗传算法（SGA）和有限资源约束下的自适应算法对单峰函数、多峰函数和旅行商问题（TSP）的求解结果。测量的平均最佳适应度，进化的代数和百分比的全球最佳成就了几个试验。结果表明，基于秩的自适应变异方法是优于基于适应度的自适应方法以及SGA在多模态问题空间。
2021-04-18 cs.AI cs.NE
More Effective Crossover Operators for the All-Pairs Shortest Path Problem
全对最短路径问题是第一个非人工问题，它被证明，增加交叉可以显着加快变异的进化算法。最近，对该算法的分析进行了改进，并显示出具有预期的优化时间（w.r.t. $Θ(n^{3.25}(\log n)^{0.25})$的适应度评估的数量）。与这种简单的算法相比，实际中使用的进化算法通常采用精细的重组策略，以避免产生不可行的后代。我们研究的基本算法的两个这样的概念，这是中央重组，即\emph{repair mechanisms}和\emph{parent selection}的扩展。我们发现，修复不可行的后代导致改进的预期优化时间的$\mathord{O}(n^{3.2}(\log n)^{0.2})$。作为我们研究的第二部分，我们证明了选择父母，保证可行的后代结果在一个更好的优化时间的$\mathord{O}(n^{3}\log n)$。这两个结果表明，已经简单的调整的重组算子可以渐近提高进化算法的运行时间。
2012-07-02 cs.NE
Deep Learning-Based Operators for Evolutionary Algorithms
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
该研究提出两种基于深度学习的领域无关遗传算子——用于遗传算法的深度神经交叉算子和用于遗传编程的BERT变异算子，分别借助深度强化学习编解码架构选基因、掩码替换节点提适应度，并通过实验验证了算子有效性。
2024-07-15 cs.LG cs.NE
Optimal Static Mutation Strength Distributions for the $(1+λ)$ Evolutionary Algorithm on OneMax
大多数进化算法都有参数，这使得它们在控制行为和适应新问题方面具有很大的灵活性。为了达到最佳性能，在优化过程中往往需要对某些参数进行控制，这就产生了各种参数控制方法。然而，在最近的工作中，类似的优点已经显示出来，甚至证明，从某些，往往是重尾，固定分布的采样参数值。这产生了一个家族的算法目前被称为“快速演化策略“和“快速遗传算法“。然而，只有很少有人知道到目前为止，这些分布对进化算法的性能的影响，以及（动态）参数控制和（静态）参数采样之间的关系。我们的知识体系的贡献，第一次，一个算法，计算最佳的静态分布，它描述了著名的简单的$(1+λ)$进化算法中使用的变异算子上的一个经典的基准问题OneMax。我们表明，对于足够大的人口规模，这样的最优分布可能是令人惊讶的复杂和违反直觉。我们调查这些分布的某些属性，并使用常用的突变分布的$(1+λ)$进化算法的性能遗憾进行评估。
2021-06-04 cs.NE
Mutation Strength Adaptation of the $(μ/μ_I, λ)$-ES for Large Population Sizes on the Sphere Function
该研究针对大种群规模下球函数上的$(μ/μ_I, λ)$-ES，分析CSA与$σ$SA两种变异强度自适应方法的特性，对比不同参数、采样方式下的进展率与稳定性差异。
2024-08-19 cs.NE
The structure of evolutionary exploration: On crossover, buildings blocks and Estimation-Of-Distribution Algorithms
积木的概念可以与后代概率分布的结构相关：变异性强相关的基因座构成积木。我们称之为相关探索。在此背景下，我们分析的后代概率分布的结构，或勘探分布，遗传算法与变异，交叉遗传算法，估计分布算法（EDA）。结果允许交叉探索分布的结构的精确表征。从本质上讲，交叉算子通过将其转化为熵来破坏位点之间的互信息;它做了相关探索的逆。相比之下，EDAs的目标是模拟适应度分布中基因座之间的互信息，从而诱导相关探索。
2002-12-11 cs.NE nlin.AO q-bio
Crossover Can Guarantee Exponential Speed-Ups in Evolutionary Multi-Objective Optimisation
本文通过构造两类皇家大道函数，从理论上证明交叉算子能使GSEMO和NSGA-II在期望多项式时间内覆盖帕累托前沿，而无交叉时即使使用任意精英选择和无偏变异的黑盒算法也需指数时间，首次揭示了NSGA-II中交叉带来的指数级加速。
2023-12-04 cs.NE
Breeding Diverse Packings for the Knapsack Problem by Means of Diversity-Tailored Evolutionary Algorithms
在实践中，往往希望为决策者提供一套丰富的、不同的、质量良好的解决方案，而不仅仅是一个单一的解决方案。本文研究了背包问题的进化多样性优化算法。我们的目标是进化出一组至少有$(1-\varepsilon)\cdot OPT$利润的解决方案，其中OPT是最优解决方案的值。此外，它们在基于熵的多样性度量方面的结构应该有所不同。为此，我们提出了一个简单的$(μ+1)$ -EA的初始近似解计算的一个著名的FPTAS的KP。我们研究了不同的标准变异算子的效果，并引入了有偏变异和交叉，这使得在人口中的低和/或高频率的翻转位的概率很高。对不同实例和设置的实验研究表明，在大多数情况下，所提出的变异算子在长期内表现略差，但如果函数评估的数量受到严重限制，则表现出很强的优势。
2021-04-27 cs.NE
Artificial Mutation inspired Hyper-heuristic for Runtime Usage of Multi-objective Algorithms
在过去的几年中，多目标进化算法（MOEA）已被应用到不同的软件工程问题，许多相互冲突的目标，同时优化。从理论上讲，进化算法具有很好的运行时优化特性，因为它们可以在任何执行时间提供解决方案。在实践中，基于达尔文启发的自然选择，这些进化算法产生了许多死产的解决方案，其计算导致了计算资源的浪费：自然选择自然是缓慢的。在本文中，我们通过观察现代生物学研究，重新考虑了这一基本类比，以加速MOEA的收敛：人工选择已被用于实现预期的特定目的，而不仅仅是依靠交叉和自然选择（即，Muller等[18]用X射线对水果进行人工诱变的研究）。抛开与自然选择的类比，本文提出了一种超启发式MOEA算法命名为Sputnik 1，使用人工选择性变异，以提高收敛速度的MOEA。Sputnik利用过去的突变效率历史来选择最相关的突变来执行。我们评估Sputnik上的云推理引擎，它驱动按需配置，同时考虑冲突的性能和成本目标。我们已经进行了实验，以突出Sputnik在分辨率时间方面的显着性能改进。
2014-02-18 cs.NE cs.SE
Fast Artificial Immune Systems
各种研究表明，特征人工免疫系统（AIS）算子，如超突变和老化，可以非常有效地逃避多模态优化问题的局部最优解。然而，这种效率是以在开发阶段与标准进化算法相比相当慢的运行时间为代价的。我们建议修改传统的“超突变与突变潜力”（HMP），使他们能够有效地利用，以及保持其有效的探索特性。而不是确定性的评估健身后，每一个超突变的位翻转，我们采样的健身函数随机与“抛物线”分布，允许“停止在第一建设性突变”（FCM）的HMP变体，以减少浪费的函数评估的线性量时，没有发现一个常数的改善。通过在超突变过程中返回最佳采样解决方案，而不是第一次建设性突变，我们然后将没有FCM的非常低效的HMP算子转化为使用超突变，克隆和老化的标准Opt-IA AIS的非常有效的算子。我们严格证明了这两个建议运营商的有效性，通过分析他们对所有问题的HPM的性能是严格理解的文献。%
2018-06-01 cs.NE
The $(1+(λ,λ))$ Genetic Algorithm for Permutations
$(1+(λ,λ))$遗传算法是基于理论发现的见解而开发的进化算法的一个明亮的例子。该算法使用交叉，并且即使在OneMax这样的简单问题上，它也被证明渐近优于所有基于变异的进化算法。随后，它被研究了一些其他问题，但所有这些都是伪布尔。我们的目的是改善这种情况，提出了适应的$(1+(λ,λ))$遗传算法置换为基础的问题。这种适应是必需的，因为置换在某些关键方面与位串明显不同，例如可能的突变的数量及其相互依赖性。我们还提出了该算法的第一个运行时分析的置换为基础的问题，称为火腿，其属性类似于OneMax的。在这个问题上，其中简单的基于变异的算法具有问题大小$n$的$Θ(n^2 \log n)$的运行时间，$(1+(λ,λ))$遗传算法在$O(n^2)$适应度查询中找到最优。实验结果表明，该算法在实际应用中也是快速的.
2020-05-10 cs.NE
Optimal Parameter Settings for the $(1+(λ, λ))$ Genetic Algorithm
$(1+(λ,λ))$遗传算法是为数不多的几个算法之一，其中一个超常数的速度，通过使用交叉可以证明。到目前为止，该算法已经与基于直观考虑的参数一起使用。在这项工作中，我们严格考虑了整个参数空间，并证明了Doerr和Doerr（GECCO 2015）证明的直观选择的渐近时间复杂度在种群大小，突变概率和交叉偏差的所有设置中都是最好的。
2016-07-29 cs.DS cs.NE
Lasting Diversity and Superior Runtime Guarantees for the $(μ+1)$ Genetic Algorithm
在实践中使用的大多数进化算法（EA）采用交叉。相比之下，只有少数和大多数人为的例子，从交叉运行时间的优势可以证明与数学手段。最有说服力的结果表明，$(μ+1)$遗传算法（GA）与人口规模$μ=O(n)$优化跳跃功能与差距大小$k \ge 3$在时间$O(n^k / μ+ n^{k-1}\log n)$，击败运行时的$Θ(n^k)$许多变异为基础的EA。该结果建立在GA偶尔并且然后对于预期数量的$Ω(μ^2)$迭代具有不由单个基因型主导的群体的证明上。在这项工作中，我们表明，这种多样性持续高概率的时间指数$μ$（而不是二次）。从这个更好地理解的人口多样性，我们获得更强的运行时间保证，其中声明，所有$c\ln(n)\leμ\le n/\log n$，与$c$一个合适的常数，运行时间的$(μ+1)$ GA的$\mathrm{Jump}_k$，与$k \ge 3$，是$O(n^{k-1})$。因此，已经与对数人口的大小，GA获得的速度从交叉$Ω(n)$阶。
2023-02-24 cs.NE
Diversity Enhancement for Micro-Differential Evolution
差分进化（DE）算法的计算时间长，由于缓慢的性质评估。相比之下，微DE（MDE）算法采用非常小的种群规模，可以更快地收敛到一个合理的解决方案。然而，这些算法容易过早收敛以及高风险的停滞。本文提出了一种向量化随机变异因子的MDE算法（MDEVM），该算法在利用小规模种群优势的同时，通过在决策变量层对变异因子进行随机化，增强变异因子的探索能力。这一想法是支持突变因子的分析，使用基于蒙特卡罗模拟。为了便于使用的MDE算法与非常小的人口规模，新的变异方案的人口规模小于4也被提出。此外，综合比较模拟和分析的性能的MDE算法在各种变异方案，人口规模，问题类型（即单峰，多峰，复合），问题的维度，和变异因子范围进行考虑人口多样性分析停滞和陷入局部最优的情况。这些研究是在为IEEE CEC-2013竞赛提供的28个基准函数上进行的。实验结果表明，该算法具有较高的性能和收敛速度。
2016-09-26 cs.NE
Achieving Tight $O(4^k)$ Runtime Bounds on Jump$_k$ by Proving that Genetic Algorithms Evolve Near-Maximal Population Diversity
针对JUMP_k问题，提出(μ+1)-λ_c-GA变体，通过分析种群多样性收敛到近完美平衡，证明在温和条件下运行时间上界为O(μn log μ + 4^k)，对常数k达到O(n² log n)，对较大k达到紧的Θ(4^k)，并扩展到其他单峰函数。
2025-04-20 cs.NE
Fast Immune System Inspired Hypermutation Operators for Combinatorial Optimisation
各种研究表明，免疫系统启发的超变异算子可以使人工免疫系统（AIS）非常有效地逃避多模态优化问题的局部最优解。然而，这种效率是以在开发阶段与标准进化算法相比相当慢的运行时间为代价的。我们建议修改传统的“超突变与突变潜力”（HMP），使他们能够有效地利用，以及保持其有效的探索特性。而不是确定性的评估健身后，每个位翻转的超突变，我们采样的健身函数随机与“抛物线”分布，允许“停止在第一建设性突变”（FCM）的HMP变体，以减少浪费的函数评估的线性量时，没有发现一个常数的改善。随机分布还允许完全去除FCM机制，如最初在HMP算子的设计中所期望的。我们严格证明了所提出的运营商的有效性，所有的基准功能，HMP的性能是严格理解的文献和验证所获得的见解，以显示线性加速识别高品质的近似解决方案，经典的NP难问题的组合优化。然后，我们显示的HMP运营商的优势，传统的完整的标准的Opt-IA AIS的分析，其中的随机评估计划，允许HMP和老化运营商和谐地工作。通过对文献中其他“快速突变”算子的性能比较研究，我们得出结论，抛物线评估方案的幂律分布是黑盒情况下几乎没有问题知识的最佳折衷方案。
2020-09-01 cs.NE
On Comparison between Evolutionary Programming Network-based Learning and Novel Evolution Strategy Algorithm-based Learning
Khulna University of Engineering and Technology（库尔纳工程技术大学）
本文提出了两种不同的进化系统-进化规划网络（EPNet）和新的进化策略（NES）算法。EPNet同时进行训练和架构演进，而NES是一个固定的网络，只训练网络。EPNet中提出了五种变异算子，以反映对进化ANN行为的重视。父母和他们的后代之间的紧密行为联系通过各种突变来保持，例如部分训练和节点分裂。另一方面，NES采用了两种新的遗传算子-基于子种群的最大均值算术交叉和时变变异。上述两种算法已经在一些基准问题上进行了测试，例如医学诊断问题（乳腺癌，糖尿病和心脏病）。文中给出了计算结果和它们之间的比较。
2013-05-04 cs.LG cs.NE
On the Impact of Crossover in Many-Objective Optimization: A Runtime Analysis of NSGA-III
Chair of Algorithms for Intelligent Systems, University of Passau（智能系统算法讲席, 帕绍大学）
本文通过分析NSGA-III在m-目标m-OneJumpZeroJump函数上的运行时间，证明交叉操作能显著提升优化效率，为多目标优化理论提供了新见解。
2026-05-11 cs.NE
Feature Selection with Evolving, Fast and Slow Using Two Parallel Genetic Algorithms
Istanbul Bilgi University（伊斯坦布尔比尔基大学）；Tam Faktoring（塔姆保理公司）；Istanbul Marmara University（伊斯坦布尔马尔马拉大学）
特征选择是机器学习中最具挑战性的问题之一，特别是在处理高维数据时。在本文中，我们解决的问题，特征选择，并提出了一种新的方法，称为进化快，慢。这种新方法是基于使用两个并行的遗传算法具有高和低的突变率，分别。进化的快与慢需要一种新的并行架构，将快速进化的自动系统和缓慢进化的努力系统结合起来。有了这个体系结构，探索和开发可以同时进行。具有高突变率的快速进化可用于利用长跳跃来探索搜索空间中的新未知位置;具有低突变率的缓慢进化可用于利用短移动来利用搜索空间中的先前已知位置。我们的实验表明，进化快和慢实现了非常好的结果，在准确性和功能消除。
2020-05-11 cs.AI cs.DC 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
Self-adaptation in non-Elitist Evolutionary Algorithms on Discrete Problems with Unknown Structure
有效利用进化算法的一个关键挑战是为其参数选择适当的设置。然而，适当的参数设置通常取决于优化问题的结构，这通常是未知的用户。非确定性参数控制机制使用从进化过程获得的信息来调整参数。自适应-参数设置编码在个体的染色体中，并通过变异和交叉进化-是进化策略中流行的参数控制机制。然而，几乎没有理论证据表明自适应是有效的，自适应在很大程度上被离散演化计算社区所忽视。在这里，我们通过理论运行时分析表明，非精英，离散进化算法，自适应其突变率不仅优于EA使用静态突变率\leadingones，但也提高了渐近EA使用国家的最先进的控制机制。该问题的结构取决于参数$k$，其对于算法是\emph{a priori}未知的，并且需要其来适当地设置固定的突变率。自适应EA达到相同的渐近运行时间，如果这个参数是已知的算法事先，这是一个渐进的加速比，这个问题相比，所有其他EA以前研究。一项关于变异率如何演变的实验研究表明，它们对各种各样的问题结构都有足够的反应。这些结果表明，自适应应采用更广泛的离散，非精英进化算法的参数控制机制。
2020-04-01 cs.NE q-bio.PE
An Improved Genetic Algorithm and Its Application in Neural Network Adversarial Attack
Yangtze University（长江大学）
交叉和变异策略的选择对遗传算法的可搜索性、收敛效率和精度起着至关重要的作用。本文通过对简单遗传算法的交叉和变异操作进行改进，提出了一种新的改进遗传算法，并通过15个测试函数进行了验证。定性结果表明，与其他三种主流的群体智能优化算法相比，该算法不仅提高了全局搜索能力、收敛效率和精度，而且在相同的实验条件下，提高了收敛到最优值的成功率。定量结果表明，该算法在15个测试函数中的13个上表现优异。使用Wilcoxon秩和检验进行统计学评价，显示该算法在$95\%$置信区间的显著优势。最后将该算法应用于神经网络的对抗攻击。应用结果表明，该方法不需要神经网络模型内部的结构和参数信息，仅利用神经网络输出的分类和置信度信息，就能在较短时间内获得高置信度的对抗样本。
2022-03-06 cs.CR cs.LG cs.NE
Genetic Algorithms in Time-Dependent Environments
分析了时间依赖适应度对简单遗传算法（无交叉）无穷种群动态的影响。基于一般的参数，一个示意性的相图构造，允许一个描述的渐近状态依赖于突变率和时间尺度的变化。此外，定期的变化的概念提出的人口可以收敛到一个广义的准种。在此基础上，误差阈值和最佳变异率近似计算的代遗传算法与移动针在大海捞针景观。这样得到的相图与我们的一般考虑是完全一致的。
1999-11-04 adap-org cs.NE nlin.AO
Effective Mutation Rate Adaptation through Group Elite Selection
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Cognizant AI Labs（高知特人工智能实验室）；Sony AI（索尼人工智能）
进化算法对突变率（MR）很敏感;这个参数没有一个单一的值可以很好地跨域工作。已经提出了自适应MR方法，但它们往往是脆弱的：有时它们将MR衰减到零，从而停止进化。为了提高自适应MR的鲁棒性，本文提出了一种群体精英选择变异率（GESMR）算法。GESMR共同进化一个解的种群和一个MR的种群，使得每个MR被分配到一组解。在进化过程中，将组中产生的最佳突变变化而不是平均突变变化用于MR选择，从而避免MR消失问题。在相同数量的函数评估和几乎没有开销的情况下，GESMR在广泛的连续测试优化问题上比以前的方法收敛得更快，并得到更好的解决方案。GESMR还可以很好地扩展到监督图像分类任务和强化学习控制任务的高维神经进化。值得注意的是，GESMR产生的MR是最佳的长期，通过全面的前瞻性网格搜索证明。因此，GESMR和它的理论和实证分析表明如何利用自适应来提高性能的演化计算的几个应用程序。
2022-04-11 cs.AI cs.NE
A Hybrid Differential Evolution Approach to Designing Deep Convolutional Neural Networks for Image Classification
Victoria University of Wellington（惠灵顿维多利亚大学）
卷积神经网络（CNN）在图像分类中显示出了其优越性，而演化计算（EC）方法近年来兴起，可以自动设计CNN的结构，以节省人工设计CNN的繁琐工作。本文提出了一种新的混合差分进化（DE）算法，该算法通过增加交叉算子来进化任意长度的CNN结构，称为DECNN。在所提出的DECNN方法中有三个新的想法。首先，改进现有的有效编码方案以适应变长CNN结构;其次，为变长DE开发新的变异和交叉算子以优化CNN的超参数;最后，引入新的第二次交叉以进化CNN结构的深度。该算法在6个广泛使用的基准数据集上进行了测试，并将结果与12种最先进的方法进行了比较，结果表明该方法与最先进的算法相比具有很强的竞争力。此外，所提出的方法也比较了一种方法，使用粒子群优化与类似的编码策略命名为IPPSO，和建议的DECNN优于IPPSO的准确性。
2018-08-22 cs.AI cs.CV cs.LG
