Phylogeny-informed fitness estimation
提出利用种群系统发育树在运行时估计适应度并辅助父代选择的方法，实验表明其可缓解下采样 lexicase 的多样性缺陷，但 GP 性能提升随问题和子采样设置变化。
2023-06-06 cs.NE
Genesis: An Empirical Platform for Studying Open-Ended Evolution Without Fitness Functions
Banasthali Vidyapith（巴纳斯塔利维迪亚皮斯）
研究无适应度函数的开放式进化，通过Genesis平台实证测试，发现约束驱动选择可维持进化活动，生态位构建需受物种形成保护才有效，为无适应度进化建立边界并开辟物理元进化新方向。
2026-07-27 cs.NE
A Fitness-assignment Method for Evolutionary Constrained Multi-objective Optimization
本文提出一种基于单种群适应度分配的约束多目标进化算法IcSDE+，通过融合约束违反、基于位移的密度估计和目标之和，在保持算法简单性的同时有效探索不同可行区域，并在多个基准上与9种先进算法比较验证了其优越性能。
2025-02-06 cs.NE
Reducing the Computational Cost in Multi-objective Evolutionary Algorithms by Filtering Worthless Individuals
大量精确的适应度函数计算使得进化算法具有计算代价。在一些现实问题中，即使增加计算复杂性并花费更多时间，减少这些评估的数量也更有价值。为了实现这一目标，我们引入了一个有效的因素，尽管在自适应模糊适应度粒化与非支配排序遗传算法-II中的应用因素，以更精确地过滤出无用的个体。我们所提出的方法进行了比较，相对于自适应模糊适应粒度与非支配排序遗传算法-II，使用超容量和逆世代距离的性能指标。该方法适用于1传统和1国家的最先进的基准考虑3个不同的维度。从平均性能的角度来看，结果表明，虽然减少适应度评估的数量会导致性能降低，但与我们获得的相比，它并不是有形的。
2014-01-02 cs.NE
A Simple Haploid-Diploid Evolutionary Algorithm
最近有人提出，进化利用了一种形式的健身景观平滑真核性别由于单倍体-二倍体循环。这篇简短的论文提出了一个简单的修改标准的进化计算算法，同样受益于这个过程。使用著名的NK模型的健身景观，它表明，出现的好处是增加了坚固性。
2019-03-27 cs.NE
Parameterless Gene-pool Optimal Mixing Evolutionary Algorithms
当涉及到以可靠和可扩展的方式用进化算法（EA）解决优化问题时，检测和利用链接信息，即，变量之间的依赖关系可能是关键。在这篇文章中，我们提出了最新版本的，并提出了大量的增强，基因池最优混合进化算法（GOMEA）：EA明确设计估计和利用连锁信息。我们首先对几个GOMEA设计选择进行大规模搜索，以了解最重要的是什么，并获得算法的一般最佳性能版本。接下来，我们介绍了一个新版本的GOMEA，称为CGOMEA，其中基于链接的变化进一步改善过滤解决方案交配的基础上的条件依赖。我们比较了我们的最新版本的GOMEA，新推出的CGOMEA，和另一个竞争的链接感知EA DSMGA-II在广泛的实验评估，涉及一组基准9黑盒问题，只能有效地解决，如果其固有的依赖结构被揭开和利用。最后，在试图使EA更有用和弹性的参数选择，我们研究了不同的自动人口管理计划的性能GOMEA和CGOMEA，事实上使EA参数。我们的研究结果表明，GOMEA和CGOMEA显着优于原来的GOMEA和DSMGA-II在大多数问题上，设置一个新的国家的艺术领域。
2021-09-11 cs.NE
All Constant Mutation Rates for the $(1+1)$ Evolutionary Algorithm
研究证明(1+1)进化算法在特定fitness函数上存在任意突变率区间内的最优突变率，通过引入DistantSteppingStones函数展示最优突变率集在[0,1]区间内稠密。
2026-05-09 cs.NE
Derivation of Upper Bounds on Optimization Time of Population-Based Evolutionary Algorithm on a Function with Fitness Plateaus Using Elitism Levels Traverse Mechanism
在这篇文章中，一个工具，用于分析人口为基础的EA是用来获得渐近上界的优化时间的算法解决皇家道路问题，测试功能与高原的适应度。除此之外，人口的某个子集的极限分布近似。
2013-08-30 cs.AI cs.NE
Triclustering of Gene Expression Microarray data using Evolutionary Approach
在三聚类中，正在创建一个子矩阵，该子矩阵在基因、条件和时间点方面表现出高度相似的行为。在该技术中，在某些条件下，在一些时间点片段中发现具有相同表达值的基因。在本文中，三聚使用进化算法实现了一个新的适应度函数组成的三维均方残差（MSR）和最小二乘近似（LSL）。其主要目标是找到具有最小重叠、低MSR、低LSL且几乎覆盖表达式矩阵的每个元素的三聚体，从而最小化总体适应值。为了改善算法的结果，引入了新的适应度函数来寻找高质量的三簇。从实验中观察到，使用EA的三簇产生了良好质量的三簇。实验在酵母菌数据集上进行。索引项-三聚类，遗传算法，均方残差，体积，权重，最小二乘逼近。
2018-05-14 cs.NE
Selecting for Selection: Learning To Balance Adaptive and Diversifying Pressures in Evolutionary Search
受自然进化的启发，进化搜索算法已被证明是非常有能力的，因为它们具有通过不同种群进行辐射式探索和收敛到适应压力的双重能力。这种行为的很大一部分来自进化算法的选择功能，这是决定哪些个体存活到下一代的度量。在欺骗性或难以搜索的适应度景观中，贪婪选择往往会失败，因此选择函数在梯度利用适应和探索性多样化之间取得正确的平衡至关重要。本文介绍了Sel4Sel，或选择选择，一种算法，通过元进化循环搜索高性能的基于神经网络的选择功能。在三个不同的比特串域上的结果表明，Sel4Sel网络始终匹配或超过基于适应度的选择和明确旨在鼓励多样性的基准的性能。对最强Sel4Sel网络的分析揭示了一种普遍的趋势，即在早期倾向于高度新颖的个体，随着欺骗性的局部最优被绕过，逐渐转向基于适应度的选择。
2021-06-16 cs.NE
A New Method for Lower Bounds on the Running Time of Evolutionary Algorithms
我们提出了一种新的方法来证明进化算法的期望运行时间的下界。它是基于适应度水平分区和一个额外的条件之间的转移概率的适应度水平。该方法是通用的，直观的，优雅的，非常强大的。它为LO、OneMax、长k路径和具有唯一最优值的所有函数产生精确或接近精确的下界。大多数下界是非常普遍的：它们适用于所有只使用位翻转突变作为变异算子的进化算法，即适用于所有选择算子和种群模型。下限与突变率的依赖关系。这些结果具有很强的意义。它们允许确定用于LO和OneMax的最佳基于突变的算法，即，该算法最小化适合度评估的期望数量。这包括最佳突变率的选择。
2011-11-16 cs.NE
Complexity of evolutionary equilibria in static fitness landscapes
一个适应度景观是一个遗传空间--如果两个基因型在一个位点上不同，它们就相邻--和一个适应度函数。演化动力学在这个景观上产生从低适应度到高适应度的流动;只有当找到局部适应度峰值时才达到平衡，我使用计算复杂性来质疑静态适应度景观上的进化可以快速达到局部适应度峰值的常见假设。为此，我证明了，当K >= 2时，粗糙适应度景观的流行NK模型是PLS完备的;加权2SAT的约简是自适应行走上的双射，因此存在NK适应度景观，其中来自某些顶点的每个自适应路径都是指数长度的。或者-在标准复杂性理论假设下，PLS中存在在多项式时间内不可解决的问题-这意味着没有演化动力学（已知或待发现，并且不一定遵循自适应路径）可以收敛到K = 2的所有NK景观上的局部适应度峰值。应用单纯形算法分析的结果，我证明了存在没有倒数符号上位性的单峰景观，其中遵循强选择弱突变动态的自适应路径的预期长度为$e^{O(n^{1/3})}$，即使从每个顶点都可以获得长度小于n的最佳自适应路径。技术成果的编写是为了让没有计算机科学背景的数学生物学家可以访问，生物学文献的总结是为了方便非生物学家，目的是在两个学科之间展开建设性的对话。
2013-08-23 cs.NE q-bio.PE
Optimization by Pairwise Linkage Detection, Incremental Linkage Set, and Restricted / Back Mixing: DSMGA-II
本文提出了一种新的进化算法，称为DSMGA-II，有效地解决优化问题，通过利用问题的子结构。该算法采用两两连接检测，并以依赖结构矩阵（DSM）的形式存储信息。一个新的联动模型，称为增量联动集，然后构造使用DSM。受最优混合思想的启发，提出了约束混合和返混混合。前者的目的是在一定的约束条件下进行有效的勘探。后者旨在通过细化DSM以减少不必要的评估来进行开发。实验结果表明，DSMGA-II优于LT-GOMEA和hBOA的级联/折叠/循环陷阱问题，NK景观问题与各种程度的重叠，二维伊辛自旋玻璃问题，和MAX-SAT的功能评价的数量。并与P3进行了性能比较。
2018-07-31 cs.NE
IE-GAN: An Improved Evolutionary Generative Adversarial Network Using a New Fitness Function and a Generic Crossover Operator
Jilin University（吉林大学）；Northeast Normal University（东北师范大学）
生成对抗网络（GANs）的训练通常容易受到模式坍塌和梯度消失的影响。进化生成对抗网络（E-GAN）试图通过使用多个损失函数优化学习策略来缓解这些问题。它使用基于学习的进化框架，专门为一般的深度神经网络开发新的变异算子。然而，E-GAN适应度函数中的评价机制不能真实反映个体对环境的适应性，导致对个体多样性的评估不准确。此外，E-GAN的进化步骤中只包含变异算子，没有考虑交叉算子，隔离了个体之间的优势特征。为了解决这些问题，我们提出了一个改进的E-GAN框架称为IE-GAN，它引入了一个新的适应度函数和一个通用的交叉算子。特别是，从客观的角度来看，所提出的适应度函数可以更准确地模拟个体的进化过程。交叉算子是进化算法中常用的一种算子，它通过知识蒸馏使后代能够模仿双亲的优良基因表达。在各种数据集上的实验证明了我们提出的IE-GAN在生成样本的质量和时间效率方面的有效性。
2022-11-01 cs.LG cs.NE
On Proportions of Fit Individuals in Population of Evolutionary Algorithm with Tournament Selection
在本文中，我们考虑了一个非精英只变异进化算法（EA）的比赛选择的适应度模型。该模型提供了上限和下限的预期比例的个人与健身以上给定的阈值。在所谓的单调变异的情况下，得到的界限意味着，增加比赛的大小提高EA的性能。作为推论，我们得到了单峰函数随机局部搜索的指数消失尾界和2-SAT问题和E.巴拉斯
2016-08-26 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
Towards co-evolution of fitness predictors and Deep Neural Networks
深度神经网络被证明是一个非常有用和强大的工具，具有许多实际应用。他们特别擅长从带有标记样本的大型数据集中学习。然而，为了达到良好的学习效果，必须仔细设计网络架构。创建最佳拓扑需要大量的经验和知识。不幸的是，在这种情况下，没有实际适用的算法可以帮助。使用进化过程来开发新的网络拓扑可能会解决这个问题。在这种情况下，限制因素是单个样本（单个网络架构）的评估速度，这包括基于整个大型数据集的学习。在本文中，我们建议克服这个问题，通过使用健身预测技术：使用原始训练集的子集进行训练过程，并使用其结果作为样本的健身近似。我们讨论了这种方法的可行性，在所需的健身预测功能的背景下，并分析在进化过程中获得的子集是否可以用来估计的健身网络拓扑结构。最后，我们得出结论，从我们的实验和未来的工作计划大纲。
2017-12-30 cs.NE
Solving Multi-Structured Problems by Introducing Linkage Kernels into GOMEA
基于模型的进化算法（MBEA）可以通过链接（或变量交互）学习高度可扩展。然而，这要求链接模型能够捕捉到问题的可利用结构。通常，尝试使用诸如链接树的模型来捕获单一类型的链接结构。然而，在实践中，问题可能表现出多个链接结构。例如，当目标具有不同的链接结构时，在多目标优化中就是这种情况。当使用旨在捕获单一类型的链接结构的链接模型时，这不能充分建模，从而恶化了MBEA带来的优势。因此，在这里，我们引入了链接内核，从而为每个解决方案在其局部邻域上学习链接结构。我们实现链接内核到MBEA称为GOMEA，以前被发现是高度可扩展的解决各种问题时。我们进一步介绍了一种新的基准函数称为最佳陷阱（BoT），具有不同的连接结构的可调程度。在BoT和众所周知的MaxCut问题的基于最坏情况场景的变体上，我们通过实验发现，与具有单个链接树以及称为DSMGA-II的MBEA的GOMEA相比，链接内核GOMEA的性能有了巨大的改进。
2022-03-11 cs.NE
Determination of weight coefficients for additive fitness function of genetic algorithm
本文针对遗传算法加性适应度函数中权因子解析确定方法的选择问题，提出了一种解决方法。该算法是进化过程的基础，该进化过程在搜索引擎中形成稳定且有效的查询群体以获得高度相关的结果。本文给出了一种算法适应度函数的形式化描述，它是三个异质准则的加权和。详细介绍了所选用的分析确定权重因子的方法。据指出，不可能使用专家评估方法。作者提出了一个研究方法论使用的实验结果，从早期讨论的项目“数据仓库支持的基础智能网络爬虫和进化模型的目标信息选择”。有一个初始数据集的描述，其中包含用于计算权重的数据范围。通过实例说明了计算顺序。研究结果以图形的形式展示了适应度函数在使用各种权重选项的遗传算法操作期间的行为。
2021-03-27 cs.NE
Limiting fitness distributions in evolutionary dynamics
达尔文进化论一般可以被建模为适应度（即繁殖率）分布空间中的流动。在扩散近似中，Tsimring等人已经表明，这种流动允许“适应性波”解：高斯形适应性分布以恒定速度向更高的适应性值移动。在这里，我们更普遍地表明，不断发展的健身分布被吸引到一个单参数的分布家庭与固定的偏度和峰度之间的抛物线关系。与健身波不同，这种统计模式包括积极和消极（也称为消极）。纯化）选择，并且不限于快速适应的群体。此外，我们发现，在选择预先存在的变异的情况下，种群的平均适应度是时间的幂律函数，正如微生物进化实验中观察到的那样，但与适应度波理论不同。在概念层次上，我们的结果可以被看作是对费雪自然选择基本定理的“动态不足”的解决。我们的预测是在良好的协议与数值模拟。
2016-02-16 cond-mat.stat-mech cs.NE q-bio.PE
Partnering Strategies for Fitness Evaluation in a Pyramidal Evolutionary Algorithm
University of the West of England（西英格兰大学）
本文将层次分布式遗传算法的思想与不同的代理间的合作策略相结合。子种群的级联集群是从自底向上的构建的，更高级别的子种群优化问题的更大部分。因此，较高级别的子群体以较低的分辨率搜索较大的搜索空间，而较低级别的子群体以较高的分辨率搜索较小的搜索空间。针对两个多项选择优化问题，检查了用于（子）适应度评估目的的不同伙伴选择方案的影响。结果表明，随机合作策略提供更好的抽样和更多的多样性表现最好。
2008-03-03 cs.AI cs.NE
Hybrid evolutionary algorithm with extreme machine learning fitness function evaluation for two-stage capacitated facility location problem
本文考虑了两阶段容量受限的设施定位问题（TSCFLP），其中工厂生产的产品通过仓库交付给客户。满足客户需求的前提是有限的工厂生产和有限的仓库储存能力。目标是确定工厂和仓库的位置，以使总成本（包括固定成本和运输成本）最小。提出了一种结合遗传操作和局部搜索的混合进化算法。为了避免在计算时间方面昂贵的群体适应度计算，HEA使用极端机器学习来近似大多数个体的适应度。此外，根据问题的特征，采用两种启发式算法来生成良好的初始种群。从最近的文献中的两组测试实例进行计算实验。该算法的性能进行了评估和分析。与现有的遗传算法相比，该算法可以在合理的计算时间内找到最优解或近似最优解。
2016-05-22 cs.NE math.OC
Runtime Analysis of Fitness-Proportionate Selection on Linear Functions
本文将具有适应度比例选择的非精英进化算法的运行时分析从简单的OneMax函数扩展到线性函数。我们的分析不仅涵盖了更大类的适应度函数，而且适用于更广泛的突变率。我们发现，具有压倒性的高概率，没有线性函数可以优化在小于指数时间，假设按位突变率$Θ(1/n)$和人口规模$λ=n^k$为任何常数$k>2$。相反，这个负面的结果，我们还表明，对于任何多项式有界的权重的线性函数，EA实现多项式预期的运行时，如果突变率降低到$Θ(1/n^2)$和人口规模是足够大的。此外，具有突变率$χ/n=Θ(1/n)$和适度群体大小$λ=Ω(\ln n)$的EA优化了在期望时间$O(nλ\lnλ+n^2)$内针对任何线性函数$f$和任何$\varepsilon>0$的缩放适应度函数$e^{(χ+\varepsilon)f(x)}$。这些上界也扩展到一些可加分解的适应度函数，如皇家路函数。我们期望所得到的结果不仅对进化算法理论的发展，而且对生物学应用，如定向进化，可能是有用的。
2019-08-23 cs.NE
Evolving Self-Organising Agents Without Fitness: Three Falsifiable Experiments from Constraint-Driven Selection to Developmental Encoding
Banasthali Vidyapith（班纳沙利维达皮特）
研究在无设计者指定适应度函数时生物发育进化动力学能否产生，通过Genesis平台进行三个实验周期，测试可证伪假设，得出约束驱动选择、智能体介导生态位构建及CPPN间接编码相关结果，还产生了诊断工具和协议。
2026-07-27 cs.NE
Uncertainty And Evolutionary Optimization: A Novel Approach
进化算法（EA）已被广泛接受为复杂的现实世界的优化问题，包括工程优化的有效解决方案。然而，现实世界的优化问题往往涉及不确定的环境，包括噪声和/或动态环境，这对基于EA的优化提出了重大挑战。噪声的存在会干扰EA的评价和选择过程，从而对其性能产生不利影响。此外，由于噪声的存在对适应度函数的评估提出了挑战，因此可能需要对其进行估计而不是评估。几种现有的方法试图解决这个问题，如引入多样性（超突变，随机移民，特殊算子）或纳入过去的记忆（二倍体，基于案例的记忆）。然而，这些方法未能充分解决该问题。在本文中，我们提出了一种分布式种群切换进化算法（DPSEA）的方法，解决了优化的功能与噪声适应度使用分布式种群切换架构，模拟一个分布式自适应记忆的解决方案空间。在伪种群中使用局部回归来估计适应度。基准测试问题的成功应用，确定所提出的方法的优越性能的鲁棒性和准确性。
2014-11-21 cs.NE
Fitness Approximation through Machine Learning
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本研究提出一种动态适配进化状态的机器学习适应度近似方法，用于遗传算法，通过对比切换、采样、加权三类策略，实验证实可显著缩短进化运行时间，且方法通用可拓展至多领域。
2024-05-21 cs.AI cs.LG cs.NE
Towards Autonomous Formulaic Alpha Discovery: An Evolutionary Computation Perspective
Shanghai University（上海大学）；Xi’an Jiaotong-Liverpool University（西交利物浦大学）
本文从进化计算视角，提出自动化公式化阿尔法发现的统一分析与评估框架，为开发可靠的自主阿尔法发现系统奠定基础。
2026-08-04 cs.NE
Evolving the MCTS Upper Confidence Bounds for Trees Using a Semantic-inspired Evolutionary Algorithm in the Game of Carcassonne
蒙特卡罗树搜索（MCTS）是一种抽样最佳优先搜索最优决策的方法。MCTS的成功在很大程度上取决于如何构建树，选择过程在其中起着基础性的作用。一种已被证明是可靠的特定选择机制是基于树的上置信界限（UCT）。UCT试图通过考虑存储在MCTS的统计树中的值来平衡探索和利用。但是，要使其正常工作，需要对MCTS UCT进行一些调优。在这项工作中，我们使用进化算法（EA）的演变数学表达式的目标，以取代UCT公式和使用MCTS进化的表达式。更具体地说，我们发展的表达，我们提出的语义启发的进化算法在MCTS方法（SIEA-MCTS）。这是受到遗传编程（GP）中的语义的启发，其中使用适应度情况被视为GP中要采用的要求。适应度案例通常用于确定个体的适应度，并可用于计算个体的语义相似性（或相异性）。但是，MCTS中不提供健身案例。我们通过使用MCTS中的多个奖励值来扩展这个概念，这些奖励值允许我们确定个体的适应度及其语义。通过这样做，我们展示了SIEA-MCTS是如何能够成功地发展数学表达式，产生更好的或有竞争力的结果相比，UCT，而不需要调整这些演变的表达式。我们比较的性能，建议SIEA-MCTS对MCTS算法，MCTS快速动作值估计算法，三个变种的 *-minimax家族的算法，随机控制器和两个EA的方法。我们不断展示SIEA-MCTS如何在具有挑战性的卡尔卡松游戏中胜过大多数智能控制器。
2022-08-29 cs.NE
Automatically Balancing Model Accuracy and Complexity using Solution and Fitness Evolution (SAFE)
当在生物医学数据中寻找预测模型时，人们通常会想到不止一个目标，例如，实现高准确性和低复杂性（以促进可解释性）。我们在这里调查多个目标是否可以动态调整我们最近提出的协同进化算法，安全（解决方案和健身进化）。我们发现，SAFE是能够自动调整准确性和复杂性，没有性能损失，与标准的进化算法相比，在复杂的模拟遗传学数据集的GAMETES工具。
2022-06-30 cs.NE
Learning to Generate Genotypes with Neural Networks
神经网络和演化计算有着丰富的相互交织的历史。当进化算法优化强化学习问题的神经网络的参数和拓扑结构时，或者当神经网络被用作替代适应度函数以帮助昂贵的适应度函数的进化优化时，它们最常一起出现。在本文中，我们采取了不同的方法，问的问题是否可以使用神经网络提供一个进化算法的突变分布，这种方法可能提供什么优势？本文研究了两种现代神经网络模型，一种改进的产生随机输出的去噪自编码器和神经自回归分布估计器。结果表明，神经网络的方法来学习基因型是能够解决许多困难的离散问题，如MaxSat和HIFF，并定期优于其他进化技术。
2016-04-14 cs.NE
Genetic AI: Evolutionary Games for ab initio dynamic Multi-Objective Optimization
本文提出遗传人工智能方法，通过四种演化策略构建自洽演化博弈，在无外部参数和训练数据条件下实现从头动态多目标优化，并在两个决策问题上验证其普适性。
2025-05-08 cs.NE
Analyzing the Runtime of the Gene-pool Optimal Mixing Evolutionary Algorithm (GOMEA) on the Concatenated Trap Function
本文首次开展GOMEA在级联陷阱函数上的运行时间分析，推导得出带真实连锁模型的GOMEA期望运行时间上界为$O(m^{3}2^k)$，较(1+1) EA实现显著提速。
2024-07-11 cs.NE
Using Skill Rating as Fitness on the Evolution of GANs
生成对抗网络（GANs）是一种对抗模型，在生成任务上取得了令人印象深刻的结果。尽管有相关的结果，但GANs在稳定性方面存在一些挑战，使得训练通常是一个偶然的过程。为了克服这些挑战，提出了一些改进，以更好地处理模型的内部特征，例如替代损失函数或发生器和神经网络使用的神经网络的架构变化。最近的工作提出了在GAN训练中使用进化算法，旨在解决这些挑战，并提供一种自动找到好模型的方法。在这种情况下，COEGAN提出使用共同进化和神经进化来协调GANs的训练。然而，以前的实验发现，一些用于指导进化的适应度函数并不理想。在这项工作中，我们提出了一个基于游戏的适应度函数的评价内使用的COEGAN方法。技能等级是量化玩家在游戏中技能的指标，已经被用于评估GANs。我们扩展了这个想法，使用进化算法中的技能评级来训练GANs。结果表明，技能等级可以作为适应度来指导COEGAN的进化，而不依赖于外部评估器。
2021-01-31 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
Evolutionary Approaches to Expensive Optimisation
代理辅助进化算法（EA）在复杂的现实世界问题领域的应用中得到了迅速的普及。虽然进化算法是强大的全局优化器，寻找复杂的高维多模态问题的最优解往往需要非常昂贵的适应度函数评估。不用说，这可能使任何基于群体的迭代优化技术成为处理此类问题的最具破坏性的选择。使用近似模型或替代模型提供了一个更便宜的选择。当然，这个便宜的选择也有它自己的价格。本文讨论了在进化算法中使用近似所涉及的一些关键问题，可能的最佳实践和解决方案。已经寻求以下问题的答案：使用什么类型的适应度近似;使用哪种近似模型;如何将近似模型集成到EA中;使用多少近似;以及如何确保可靠的近似。
2013-03-12 cs.NE
From Royal Road to Epistatic Road for Variable Length Evolution Algorithm
虽然有一些现实世界中的应用，在进化算法中使用可变长度表示（VLR）是自然和合适的，缺乏一个学术框架，这样的表示。在这项工作中，我们提出了一个家庭的可调健身景观的基础上VLR的基因型。我们提出的健身景观具有可调程度的中立性和上位性，他们的灵感，一方面由皇家路健身景观，另一方面由NK健身景观。所以这些景观提供了一个从皇家路功能的连续性，中立而没有上位性，到大量上位性而没有冗余的景观。为了深入了解这些适应度景观，我们首先使用标准工具，如自适应行走和相关长度。其次，我们评估的性能，这些景观的进化算法的中性和上位参数的各种值，结果使我们能够与预期程度的中立性和上位性的性能。
2007-07-04 cs.NE
A Theoretical Framework of Approximation Error Analysis of Evolutionary Algorithms
在进化算法的实证研究中，解的质量是通过适应度值或逼近误差来评价的。后者测量近似解和最优解之间的适应度差异。由于近似误差分析比直接估计适应度值更方便，本文重点研究了近似误差分析。然而，它是直接从近似误差的适应值扩展所有相关的结果。虽然溶液质量的评价在实践中起着至关重要的作用，但很少有严格的分析已经在这个问题上进行。本文旨在建立一个新的离散优化进化算法逼近误差分析的理论框架。该框架分为两个部分。第一部分是近似误差的精确表达式。提出了两种方法：Jordan形式和Schur三角化来获得精确的表达式。第二部分是关于逼近误差的上界。给出了两种估计上界的方法：收敛速度法和辅助矩阵迭代法。通过几个例子证明了这个框架的适用性。
2018-10-26 cs.NE math.OC
Fitness and Overfitness: Implicit Regularization in Evolutionary Dynamics
本文利用进化动力学与贝叶斯学习的数学同构，提出隐式正则化驱动生物体复杂性匹配环境复杂性，过度或不足适应分别导致过度适应与适应不足，并揭示频繁变化环境降低复杂性的趋势。
2025-08-05 cs.NE q-bio.PE
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
Spontaneous organization leads to robustness in evolutionary algorithms
已知生物系统的相互作用网络具有若干非随机结构特性，其中一些被认为对系统鲁棒性有积极影响。研究人员才刚刚开始了解这些结构特性是如何出现的，然而，组件适应性和社区发展（模块化）的作用引起了科学界的兴趣。在这项研究中，我们将这些概念中的一些应用到进化算法中，并使用人口在适应度景观上移动时接收的信息自发地组织其人口。更准确地说，我们采用健身和聚类为基础的驱动力，指导网络结构的动态，这反过来又控制的人口动态的进化算法。为了评估这对进化的影响，实验进行了6个工程设计问题和6个人工测试功能，并与细胞遗传算法和其他16个进化算法设计。我们的研究结果表明，自组织拓扑进化算法表现出令人惊讶的强大的搜索行为，在短期和长期的时间尺度上观察到有前途的性能。经过仔细分析这些结果，我们得出结论，人口和它的拓扑结构之间的协同进化是一个强大的新范式设计强大的搜索引擎。
2011-02-06 cs.AI cs.NE
A Novel Surrogate-assisted Evolutionary Algorithm Applied to Partition-based Ensemble Learning
Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究中心）；Leiden University Medical Center（莱顿大学医学中心）；TU Delft（代尔夫特理工大学）
提出了一种新的代理辅助进化算法，用于求解昂贵的组合优化问题。我们集成了一个代理模型，这是用于适应值估计，到一个国家的最先进的P3-类变种的基因池最优混合算法（GOMEA），并适应所产生的算法解决非二进制组合问题。我们测试所提出的算法集成学习问题。集成多个模型是一种常见的机器学习技术，可以实现更好的性能。我们考虑在数据集的不相交子集上训练的几个模型的集合。寻找最佳的数据集划分自然是一个组合的非二进制优化问题。如果使用复杂模型（如深度神经网络）作为集成中的学习器，则适应度函数评估可能非常昂贵。因此，适应度函数评估的数量通常是有限的，需要昂贵的优化技术。在我们的实验中，我们使用五个分类数据集从OpenML-CC 18基准和支持向量机作为学习者的合奏。该算法表现出更好的性能比其他方法，包括贝叶斯优化算法。它设法找到更好的解决方案，使用几千个适应度函数评估多达500个变量的集成学习问题。
2021-04-16 cs.AI cs.LG cs.NE
Information-geometric optimization with natural selection
本文将群体遗传学与进化优化结合，提出一种基于自然选择、群体重组和自适应增强选择的简单进化算法，无需矩阵求逆或协方差矩阵存储，性能与协方差矩阵自适应和自然进化策略相当。
2020-02-19 cs.NE q-bio.PE
Why don't the modules dominate - Investigating the Structure of a Well-Known Modularity-Inducing Problem Domain
Australian National University（澳大利亚国立大学）
Wagner的模块化诱导问题域是对模块化演化研究的重要贡献，包括演化理论和演化计算。我们在经典的遗传算法下研究了它的行为。与我们在自然界中观察到的不同，模块化的出现是高度有条件和依赖的，例如，对搜索的渴望。在自然界中，模块化解决方案通常占主导地位的人口，而在这个领域，模块化，当它出现时，是一个相对罕见的变体。模块化的出现很大程度上取决于适应度函数的随机波动，如果适应度函数随机变化但不变，模块化的进化就少得多。有趣的是，高适应度的非模块化解决方案通常可以通过手动删除所有模块间的边来转换为更高适应度的模块化解决方案。尽管仔细探索，我们还没有一个完整的解释，为什么遗传算法是无法找到这些更好的解决方案。
2018-08-16 cs.AI cs.NE
A Discipline of Evolutionary Programming
使用小种群或跨代小种群更新的遗传适应度优化通常遭受随机发散进化。我们提出了一个概念，高度可能的适应度优化，通过可行的进化计算运行在小规模的人口。基于快速混合马尔可夫链，该方法适用于大多数类型的进化遗传算法，遗传编程等。我们建立了相关的快速混合马尔可夫链和适当的平稳分布的新方法发现最佳方案（个人）的概率几乎为1的系统。为了使该方法有用，需要一种结构化设计方法，其中程序的开发和快速混合性能的保证齐头并进。最后通过一个简单的例子说明了该方法的可行性。更重要的例子需要理论上的进步，例如关于Metropolis滤波器。
1999-02-02 cs.AI cs.CC cs.DS
Learning to Evolve
Technical University of Munich（慕尼黑工业大学）
进化和学习是生命为了生存和超越局限而适应的两个基本机制。这些生物现象激发了进化算法和深度学习等成功的计算方法。进化依赖于随机突变和随机基因重组。在这里，我们表明，学习进化，即学习变异和重组比随机更好，改善了进化的结果，在每一代的适应度增加，甚至在可达到的适应度。我们使用深度强化学习来学习动态调整进化算法的策略以适应不同的环境。我们的方法优于经典的组合和连续优化问题的进化算法。
2019-05-08 cs.AI cs.CV cs.LG
