Optimizing genetic algorithm strategies for evolving networks
本文探讨了使用遗传算法的网络设计，在网络上的需求波动的时间。对于不同的网络约束，我们找到最好的网络使用标准的遗传算法运营商，如反转，变异和交叉。我们还研究了如何选择的遗传算法运营商的影响质量的最佳网络found.Such网络通常包含冗余的服务器，其中几个服务器执行相同的任务和多效性，其中服务器执行多个任务。我们探讨这种权衡多效性与冗余的成本与可靠性作为衡量网络的质量。
2004-04-07 cs.NE cs.NI
Evolving Neuronal Plasticity Rules using Cartesian Genetic Programming
我们制定的突触可塑性的现象学模型的搜索作为一个优化问题。我们采用笛卡尔遗传编程来进化生物学上合理的人类可解释的可塑性规则，允许给定的网络成功地解决特定任务家族的任务。虽然我们的进化学习方法可以应用于各种学习范式，但在这里，我们通过进化可塑性规则来说明它的力量，这些规则允许网络有效地确定其输入分布的第一个主成分。我们证明了进化的规则与已知的手工设计的解决方案具有竞争力。我们探讨了进化搜索过程中使用的数据集的统计特性如何影响可塑性规则的形式，并发现了适应于相应数据集结构的新规则。
2021-02-08 cs.NE q-bio.NC
Evolving Accuracy: A Genetic Algorithm to Improve Election Night Forecasts
本文将遗传算法应用于选举研究领域。预测选举结果是市场研究领域中最令人兴奋和要求最高的任务之一，特别是因为必须在电视直播中在几秒钟内做出决定。我们表明，所提出的方法优于目前应用的方法，从而提供了一个参数，以加强计算机科学和社会科学，特别是政治科学，进一步之间的交叉。我们仔细检查我们的算法的运行时行为的性能，以评估其在该领域的适用性。从2010年在奥地利施蒂里亚省的地方选举的真实数据的数值结果证实了所提出的方法的适用性。
2014-01-19 cs.NE
Genetic Algorithms for Evolving Deep Neural Networks
Bar-Ilan University（巴伊兰大学）；Tel Aviv University（特拉维夫大学）
近年来，应用无监督学习来训练神经网络深层的深度学习方法在众多领域取得了显著的成果。在过去，许多基于遗传算法的方法已经成功地应用于训练神经网络。在本文中，我们扩展了以前的工作，并提出了一个遗传算法辅助的方法进行深度学习。我们的实验结果表明，这种GA辅助的方法提高了深度自动编码器的性能，产生了更稀疏的神经网络。
2017-11-21 cs.LG cs.NE stat.ML
Evolving Generalizable Multigrid-Based Helmholtz Preconditioners with Grammar-Guided Genetic Programming
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
求解不定Helmholtz方程不仅对理解许多物理现象至关重要，而且也是数值方法成功应用的一个非常困难的基准问题。在这里，我们介绍了一种新的方法，发展高效的预处理迭代求解器亥姆霍兹问题的多目标语法指导遗传编程。我们的方法是基于一种新的上下文无关的语法，这使得建设的多重网格预条件，采用定制的操作序列上的每个离散化水平。为了找到在给定域上很好地推广的求解器，我们提出了一种自定义的连续问题难度自适应方法，在该方法中，我们评估了预处理器对日益病态的问题实例的效率。我们证明了我们的方法的有效性，通过不断发展基于多重网格的预条件的二维不定亥姆霍兹问题，优于几个人类设计的方法，不同的波数高达系统的线性方程与超过一百万个未知数。
2022-04-28 cs.AI cs.MS cs.NA
Runtime Analysis of Cartesian Genetic Programming in Evolving Boolean Functions
University of Passau（帕绍大学）；RWTH Aachen University（亚琛工业大学）
本文首次对笛卡尔遗传规划在完全训练集上演化布尔函数进行运行时分析，证明构造n输入合取式的期望适应度评估次数为O(n D^5)，并发现非严格选择可加速至O(n D^4)，而异或函数需要指数时间。
2026-06-16 cs.AI cs.LG cs.NE
Evolving Financial Trading Strategies with Vectorial Genetic Programming
本文提出两种向量遗传编程新变体（支持复数运算和强类型版本），在七年以上金融数据上成功演化出盈利交易策略，并证明强类型VGP始终优于标准GP。
2025-04-07 cs.NE
Evolving Dynamic Change and Exchange of Genotype Encoding in Genetic Algorithms for Difficult Optimization Problems
遗传算法（GAs）在组织中的许多优化问题的应用往往会导致良好的性能和高质量的解决方案。为了成功和有效地使用遗传算法，仅仅应用简单的遗传算法（SGAs）是不够的。此外，有必要找到一个适当的表示的问题，并开发适当的搜索算子，以及适合的基因型编码的属性。该表示必须至少能够编码的所有可能的解决方案的优化问题，和遗传算子，如交叉和变异应适用于it. In本文中，两个编码之间的串行交替策略制定的框架内的基因型编码的动态变化的遗传算法的功能优化。同样，困难的优化问题表示{ \it分裂和合并} GA（SM-GA）的一个新的变种的GA开发使用并行实现的SGA和发展的动态交换的背景下的双重编码概念的个人表示。数值实验表明，改进的SM-GA的性能明显优于静态单编码的SGA。
2008-03-29 cs.NE
Genetic Algorithms for Evolving Computer Chess Programs
Bar-Ilan University（巴伊兰大学）；Tilburg University（蒂尔堡大学）；University of Maryland（马里兰大学）
本文演示了使用遗传算法进化：1）一个大师级的评价函数，2）一个搜索机制的国际象棋程序，其参数值是随机初始化。该程序的评价函数是通过从（人类）特级大师比赛数据库中学习而进化的。首先，生物体进化为模仿人类大师的行为，然后这些生物体通过共同进化进一步改进。搜索机制是通过从战术测试套件中学习而发展起来的。我们的研究结果表明，进化程序优于两次世界计算机国际象棋冠军，并与其他领先的计算机国际象棋程序。
2017-11-21 cs.LG cs.NE stat.ML
When Darwin meets Lorenz: Evolving new chaotic attractors through genetic programming
在本文中，我们提出了一种新的方法来自动寻找新的混沌吸引子，通过计算智能技术称为多基因遗传规划（MGGP）。我们将这种技术应用到Lorenz吸引子的情况下，并发展了几个新的混沌吸引子的基础上的基本Lorenz模板。MGGP算法从原始Lorenz系统开始自动为不同的状态变量找到新的非线性表达式。每个吸引子的李雅普诺夫指数的数值计算的基础上的时间序列的状态变量使用时间延迟嵌入技术。MGGP算法试图通过最大化演化吸引子的最大李雅普诺夫指数（LLE）来搜索吸引子的函数空间。为了证明所提出的方法的潜力，我们报告了一百多个新的混沌吸引子结构及其参数，这些结构仅从Lorenz系统演化而来。
2015-05-03 cs.NE math.DS nlin.CD
Evolving Genetic Programming Tree Models for Predicting the Mechanical Properties of Green Fibers for Better Biocomposite Materials
The Hashemite University（哈希姆大学）；The University of Jordan（约旦大学）；University of Granada（格拉纳达大学）
本研究提出进化遗传规划树模型，基于天然纤维的化学物理特性预测其力学性能，证实微纤丝角对拉伸强度的影响占比最高，可助力低成本开发优质绿色复合材料。
2024-02-20 cond-mat.mtrl-sci cs.AI cs.NE
Genetic Programming for Evolving a Front of Interpretable Models for Data Visualisation
Victoria University of Wellington（惠灵顿维多利亚大学）
数据可视化是数据采掘中理解大数据集的关键工具。已经提出了许多可视化方法，包括广受好评的最先进的方法t-分布式随机邻域嵌入。然而，最强大的可视化方法有一个显著的局限性：它们从数据集的原始特征创建可视化的方式是完全不透明的。许多领域需要对数据的原始特征进行理解;因此需要使用可理解模型的强大可视化方法。在这项工作中，我们提出了一个遗传编程的方法命名为GPtSNE的可解释的映射从一个数据集发展到高质量的可视化。设计了一种多目标方法，该方法在单次运行中产生各种可视化，从而在视觉质量和模型复杂性之间进行不同的权衡。在各种数据集上对基线方法进行的测试表明，GP-tSNE具有明显的潜力，可以比现有的可视化方法更深入地了解数据。我们通过对候选前沿的深入分析进一步强调了多目标方法的好处，这表明多个模型可以
2020-01-27 cs.CV cs.NE
Towards Self-Evolving Agents: A Human-Inspired Adaptive Exploration-Exploitation Framework for Genetic Network Programming
Fasa University（法萨大学）；Deakin University（迪肯大学）；Chulalongkorn University（朱拉隆功大学）；Torrens University Australia（澳大利亚托伦斯大学）；Obuda University（奥布达大学）
该研究受人类发育模式启发，提出人类启发的遗传网络编程（HGNP）框架，通过新型自适应交叉、变异算子及循环消除机制，动态调节遗传网络编程中探索与利用的平衡，提升了智能体策略性能，且可应用于多种GNP变体。
2026-07-15 cs.AI cs.NE
Evolving Boolean Functions with Conjunctions and Disjunctions via Genetic Programming
最近，它已被证明，简单的GP系统可以有效地发展$n$变量的连接，如果他们配备了最少的所需组件。在本文中，我们作出了相当大的一步，通过分析的行为和性能的GP系统的发展布尔函数与未知组件，即，该函数可以由合取和析取两者组成。我们严格证明，如果目标函数是$n$变量的连接，然后RLS-GP使用的完全真值表来评估程序的质量演变的确切的目标函数在$O(\ell n \log^2 n)$迭代的期望，其中$\ell \geq n$是一个限制的大小上的任何接受的树。当，在现实的应用中，只有一个多项式样本的可能的输入被用来评估解决方案的质量，我们展示了如何RLS-GP可以发展一个结合任何多项式小的泛化误差概率$1 - O(\log^2(n)/n)$。为了产生我们的结果，我们引入了一个超乘法漂移定理，当预期的进展只是稍微超线性的距离最优时，它给出了更强的运行时间界限。
2019-05-01 cs.NE
Genetic Programming for Evolving Similarity Functions for Clustering: Representations and Analysis
Victoria University of Wellington（惠灵顿维多利亚大学）
聚类是一个困难的和广泛研究的数据采掘任务，有许多品种的聚类算法在文献中提出。几乎所有的算法都使用相似性度量，例如距离度量（例如欧几里得距离）来决定将哪些实例分配给同一个集群。这些相似性度量通常是预定义的，并且不能容易地针对特定数据集的属性进行定制，这导致所产生的聚类的质量和可解释性的限制。在本文中，我们提出了一种新的方法来自动进化的相似性函数为一个给定的聚类算法，通过使用遗传编程。我们引入了一种新的基于遗传编程的方法，该方法自动选择一个小的特征子集（特征选择），然后使用各种功能（特征构建）将它们组合起来，以产生动态和灵活的相似性函数，这些函数是专门为给定的数据集设计的。我们演示了如何演变的相似性函数可以用来执行聚类使用基于图形的表示。在一系列大型高维数据集上的实验结果表明，该方法可以实现比基准方法更高和更一致的性能。我们进一步扩展所提出的方法，自动产生多个互补的相似性函数，通过使用多树的方法，这给进一步的性能改进。我们还分析了自动进化的相似性函数的可解释性和结构，以深入了解它们如何以及为什么优于标准距离度量。
2019-10-22 cs.CV cs.NE
EvoTSC: Evolving Feature Learning Models for Time Series Classification via Genetic Programming
Centre for Data Science and Artificial Intelligence & School of Engineering and Computer Science（数据科学与人工智能中心及工程与计算机科学学院）
本文提出EvoTSC，通过遗传编程自动进化轻量级特征学习模型，解决时间序列分类中数据稀缺和计算资源不足的问题，实验显示其优于多种基准方法。
2026-11-03 cs.LG cs.NE
Evolving Character-Level DenseNet Architectures using Genetic Programming
Victoria University of Wellington（惠灵顿维多利亚大学）
DenseNet架构在图像分类任务中表现出令人印象深刻的性能，但在使用字符级DenseNet（char-DenseNet）架构进行文本分类任务方面的研究有限。目前尚不清楚什么DenseNet架构最适合文本分类任务。char-DenseNets的设计，训练和测试的迭代任务是一个NP难题，需要专家领域知识。进化深度学习（EDL）已被用于自动设计用于图像分类领域的CNN架构，从而减少对专业领域知识的需求。这项研究展示了使用EDL来发展用于文本分类任务的char-DenseNet架构的第一项工作。一种新的遗传编程为基础的算法（GP-Dense）加上一个间接的编码方案，促进了性能的字符DenseNet架构的演变。该算法在两个流行的文本数据集上进行评估，最佳进化模型与四个当前最先进的字符级CNN和DenseNet模型进行基准测试。结果表明，该算法为两个数据集演化出性能模型，在模型精度方面优于两个最先进的模型，在参数大小方面优于三个最先进的模型。
2020-12-03 cs.CL cs.LG cs.NE
Evolving Code with A Large Language Model
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
本文提出LLM GP，一种利用大型语言模型的提示与序列补全能力重新设计演化算子的形式化遗传编程算法，并给出演示实现，探讨其设计要点与科学挑战。
2024-01-13 cs.AI cs.NE
Evolving Digital Circuits for the Knapsack Problem
Babeş-Bolyai University（巴比什-波雅依大学）；David Prodan College（大卫·普罗丹学院）
多表达式编程（MEP）是一种使用线性染色体进行解编码的遗传编程变体。MEP的一个独特的功能是它能够在单个染色体中编码问题的多个解决方案。在本文中，我们使用多表达式编程的一个著名的NP完全问题：背包（子集和）问题的数字电路的发展。数值实验表明，多表达式编程表现良好的考虑测试问题。
2021-08-21 cs.AI cs.NE
Evolving Open Complexity
通过运行多达一百万代的遗传编程而产生的大型进化程序的信息论分析已经显示出甚至像浮点加法和乘法一样平滑和表现良好的函数松散熵，因此是鲁棒的并且不能将中断传播到它们的输出。这意味着，虽然依赖于适应性测试，但树木深处的许多基因变化是沉默的。为了使进化以合理的速率进行，必须能够测量大多数代码更改的影响，但在大树中，大多数交叉点都远离根结点。我们建议进化非常大的非常复杂的程序，这将是必要的，以采取一个开放的架构，其中大多数突变位点是在10至100水平的有机体的环境。
2021-12-01 cs.AI cs.IT cs.NE
Toward Measuring the Scaling of Genetic Programming
创建了几个遗传编程系统，每个系统解决不同的问题。在这些系统中，计算出进化一个工作程序所需的代数G的中位数。随着问题难度的增加，观察到G的行为。在这些系统中，测量所有可能程序的全域中工作程序的密度D。对于两个类程序系统，G ~ 1/sqrt（D）关系式近似成立。对于并行系统（看起来像是多个独立的程序并行演化的系统），我们观察到关系G ~ 1/（nlnn）近似成立。最后，反平行的系统被认为是。
2011-02-13 cs.NE
ALF -- A Fitness-Based Artificial Life Form for Evolving Large-Scale Neural Networks
机器学习（ML）在日常生活中变得越来越重要。在这种情况下，人工神经网络（ANN）是ML方法中实现人工智能的流行方法。通常，人工神经网络的拓扑结构是预先确定的。然而，存在难以找到合适拓扑的问题。因此，拓扑和权重演化人工神经网络（TWEANN）算法已经被开发，其可以使用遗传算法来找到ANN拓扑和权重。大规模问题的一个众所周知的缺点是TWEANN算法通常会进化出低效的ANN，并且需要很长的运行时间。为了解决这个问题，我们提出了一种新的TWEANN算法，称为人工生命形式（ALF），具有以下技术进步：（1）通过结构和语义相似性形成更好的候选解决方案，（2）动态适应观察到的候选解决方案，以获得更好的收敛性能，以及（3）将解决方案质量集成到遗传繁殖中，以增加优化成功的概率。大规模ML问题的实验证实，这些方法可以快速解决这些问题，并导致有效的进化ANN。
2021-04-16 cs.NE
Long-Term Evolution of Genetic Programming Populations
我们进化二进制多路复用6树多达100000代进化一些程序超过一亿个节点。我们的无界长期进化实验LTEE GP似乎没有进化积木，但确实表明了膨胀的限制。我们确实看到了几十代甚至几百代的时期，那里的人口是100%功能性收敛的。树木大小的分布并不像理论所预测的那样。
2017-03-24 cs.NE
Monotone but Exciting: On Evolving Monotone Boolean Functions with High Nonlinearity
University of Paris 8（巴黎第八大学）；University of Bergen（卑尔根大学）；Faculty of Electrical Engineering and Computing, University of Zagreb（萨格勒布大学电气工程和计算学院）；Semantics, Cybersecurity and Services Group, University of Twente（特文特大学语义、网络安全与服务组）；Digital Security Group, Radboud University（拉波德国立大学数字安全组）
本文研究演化计算能否在平衡与非平衡设置中演化出高非线性度的单调布尔函数，通过三种编码方式验证，发现遗传编程在大维度下表现突出。
2026-04-19 cs.CR cs.NE
Why can genetic algorithms work in high-dimensional search spaces?
Molecular Foundry, Lawrence Berkeley National Laboratory（分子发现中心，劳伦斯伯克利国家实验室）
本文证明精英(1+M)遗传算法在小突变极限下等价于带各向异性高斯白噪声的裁剪梯度下降，解释了遗传算法无需显式计算梯度即可沿损失梯度下降，且其减速由Hessian矩阵的有效秩控制，而非参数数量，从而解释了其在高维空间中的可扩展性。
2026-09-29 cond-mat.stat-mech cs.NE
Evolving Evolutionary Algorithms with Patterns
Babeş-Bolyai University（巴比什-博雅依大学）；Faculty of Mathematics and Computer Science（数学与计算机科学学院）
提出了一种新的进化算法模型。该模型是基于多表达式编程（MEP）技术。每个MEP染色体编码一种进化模式，这种模式被重复用于产生新一代的个体。演化模式被嵌入到用于解决特定问题的标准演化方案中。几个进化算法的函数优化的进化使用所考虑的模型。进化算法与人类设计的遗传算法进行了比较。数值实验表明，进化的进化算法可以与标准方法的几个著名的基准问题。
2021-10-10 cs.AI cs.NE
Evolving Musical Counterpoint: The Chronopoint Musical Evolution System
University of Maryland（马里兰大学）
音乐对位，一种音乐技术，其中两个或两个以上的独立旋律同时播放，以创造和谐的目标，自巴洛克时代以来一直存在。然而，据我们所知，演化计算界还没有探索过基于主观适应度评估的美学上令人愉悦的线性对位的计算生成（尽管在相当多的情况下已经尝试了使用客观适应度的生成）。对位旋律的独立性和音乐审美的主观性为遗传算法的应用提供了良好的平台。在本文中，一个遗传算法的方法来产生对位旋律的解释，与描述的各种音乐的使用和可变长度的染色体字符串是如何使用，以避免产生“急动”的节奏和旋律短语，以及如何主观性被纳入算法的健身措施。接下来，从实证测试的算法的结果，重点是如何用户的音乐复杂性影响他们的经验。最后，进一步的音乐和作曲的算法的应用进行了讨论，以及计划未来的工作的算法。
2012-07-23 cs.AI cs.NE cs.SD
Applications of Gaussian Mutation for Self Adaptation in Evolutionary Genetic Algorithms
Harvard Medical School-MIT（哈佛医学院-麻省理工学院）；Moravian Academy Upper School（摩拉维亚学院高中部）
近年来，由于需要更强大的计算方法，优化问题变得越来越普遍。随着人工智能等技术的出现，需要新的元算法来增强经典算法的能力。最近，研究人员一直在研究查尔斯·达尔文的自然选择和进化理论，将其作为使用机器学习增强当前方法的一种手段。1960年，第一个遗传算法由John H.荷兰和他的学生。我们探讨的数学直觉的遗传算法在开发系统能够使用高斯变异，以及其在解决优化问题的影响。
2022-01-05 cs.LG cs.NE math.OC
Quality Evolvability ES: Evolving Individuals With a Distribution of Well Performing and Diverse Offspring
University of York（约克大学）
从深度学习的成功中得到的最重要的教训之一是，与我们手工设计的表示相比，学习的表示在任何任务中都表现得更好。然而，进化算法的进化，其目的是自动学习良好的遗传表示，得到了相对较少的关注，也许是因为它们需要大量的计算能力。最近的方法Evolvability ES允许直接选择的进化与很少的计算。然而，它只能用于解决进化性和任务性能一致的问题。我们提出了质量进化ES，同时优化任务性能和进化能力，没有这种限制的方法。我们所提出的方法质量进化有类似的动机质量多样性算法，但有一些重要的区别。虽然质量多样性的目的是找到一个多样化和表现良好的档案，但潜在的遗传遥远的个人，质量进化的目的是找到一个单一的个人与多样化和表现良好的后代分布。通过这样做，质量进化被迫发现更多的进化表示。我们证明了机器人运动控制任务的质量进化ES，类似于质量多样性的方法，可以学习速度比基于目标的方法，可以处理欺骗性的问题。
2021-07-20 cs.AI cs.LG cs.NE
Combining LLMs and Genetic Search for ARC-AGI-2
本文结合LLM生成初始程序与遗传算法演化，通过紧凑DSL提升ARC-AGI-2任务解决率，从3.3%提升至10.0%，证明遗传搜索能有效增强LLM输出。
2026-09-24 cs.AI cs.NE
Evolving reversible circuits for the even-parity problem
Babeş-Bolyai University（巴比什-波雅依大学）
可逆计算基本上意味着使用更少或根本不使用电力的计算。由于标准的二进制门通常不可逆，我们使用Fredkin门来实现可逆性。本文提出了一种设计可逆数字电路的算法。该算法是基于多表达式编程（MEP），一个遗传编程变种与线性表示的个人。数字电路的情况下，偶奇偶校验问题进行了研究。数值实验表明，基于MEP的算法是能够很容易地设计可逆数字电路的偶数8-奇偶校验问题。
2021-08-21 cs.AI cs.NE
Automatically Evolving CNN Architectures Based on Blocks
卷积神经网络（CNN）的性能高度依赖于其结构。为了设计一个具有良好性能的CNN，需要在CNN和所研究的问题中扩展专业知识，这不一定是对CNN或问题域感兴趣的每个用户都拥有的。在本文中，我们提出了使用基于ResNet块和DenseNet块的遗传算法来自动进化CNN架构。所提出的算法是\textbf{completely}自动设计CNN架构，特别是，既不预处理之前，它开始，也不后处理的设计CNN是必要的。此外，该算法不需要用户的领域知识CNN，调查的问题，甚至遗传算法。该算法在CIFAR10和CIFAR100上对18个最先进的同行竞争对手进行了评估。实验结果表明，该方法在分类精度上优于人工构建的CNN和自动对等竞争者设计的CNN，并达到了与半自动对等竞争者竞争的分类精度。此外，所提出的算法消耗更少的时间比大多数同行的竞争对手在寻找最好的CNN架构。
2019-03-10 cs.NE
Topology Control of wireless sensor network using Quantum Inspired Genetic algorithm
在这项工作中，一个不断发展的链接量子寄存器已被引入，这是二进制的基因对的组向量，在其本地邻近代表那些节点，将具有高连通性，并保持在低能耗，并考虑到拓扑控制。寄存器工作在更高的维度。这里使用了二阶量子启发的遗传算法，并且还可以使用更高阶来实现节点拓扑控制的更大通用性。给出了算例结果，分析了量子遗传算法的计算结果，并对计算结果进行了比较。对于未来的工作，因素暗示，这将利用算法的工作在更多的计算密集型问题。
2018-06-20 cs.NE cs.NI
Evolving Neural Networks in Reinforcement Learning by means of UMDAc
University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））
由于大量成功解决的复杂基准问题，神经网络在强化学习领域越来越受欢迎。事实上，在某些情况下，人工智能算法能够战胜人类专业人员。通常，神经网络具有多个隐藏层，因此，它们涉及大量需要优化的参数。通常，数值方法用于优化神经网络的内部参数，例如随机梯度下降。然而，这些技术在计算上往往非常昂贵，并且对于有效性至关重要的某些任务，高计算成本是不可接受的。沿着这些研究路线，在本文中，我们提出了优化参数的神经网络的估计分布算法。更确切地说，单变量边际分布算法用于在各种强化学习任务中进化神经网络。为了验证我们的想法，我们在四个OpenAI Gym基准问题上运行了所提出的算法。此外，所得到的结果进行了比较，与标准的遗传算法。揭示，在大多数情况下，用UMDAC优化提供比遗传算法更好的结果。
2019-04-24 cs.LG cs.NE
Map Segmentation by Colour Cube Genetic K-Mean Clustering
由不同类型的纹理区域组成的彩色图像的分割可能是一个困难的问题，即当图像包含相似和/或不稳定的纹理场时，计算精确的纹理场并确定图像中分割区域的最佳数量。在这项工作中，描述了一种方法，为这些问题的发展自适应程序。在许多现实世界的应用数据聚类构成一个基本问题时，行为或功能域可以映射到拓扑域。我们制定了这样的图像分割问题作为一个优化问题，并采用进化策略的遗传算法的颜色特征空间中的小区域的聚类。本方法使用k-Means无监督聚类方法到遗传算法中，即用于引导这最后的进化算法在他的搜索中找到最优或次优的数据分区，任务，正如我们所知，需要一个非平凡的搜索，因为它的NP完全性质。为了解决这个问题，适当的遗传编码也进行了讨论，因为这是一个关键方面的实施。我们的目的是证明遗传算法的自动和无监督的纹理分割的效率。在彩色地图的一些例子和讨论的总体结果。关键词：遗传算法，人工神经持续，动态变异率，快速收敛，彩色图像分割，分类，聚类。
2004-12-17 cs.AI cs.NE
Temporal Heterogeneity Improves Speed and Convergence in Genetic Algorithms
近几十年来，遗传算法已被用于解决各种各样的搜索问题。这些算法模拟自然选择，探索参数空间，为各种各样的问题寻找解决方案。在本文中，我们探讨了在遗传算法中引入时间异质性的影响。特别地，我们将交叉概率设置为与个体的适应度成反比，即，较好的解比适应度较低的解变化得慢。作为案例研究，我们应用异质性来解决$N$皇后和旅行推销员问题。我们发现，时间的异质性不断提高搜索，而没有先验知识的参数空间。
2022-02-02 cs.NE
A theory of the phenomenology of multipopulation genetic algorithm with an application to the Ising model
遗传算法（Genetic Algorithm，GA）是一种随机的元启发式算法，它通过对给定优化问题的候选解的进化来实现。通过扩展，多种群遗传算法（MPGA）的目标是通过并行地进化多个种群或岛屿并定期在它们之间执行迁移来提高效率。岛屿之间的连通性限制了迁移的方向，并将MPGA描述为网络上的动态过程。因此，预测解的质量的演变是一个困难的挑战，这意味着当参数不足时浪费计算机资源和能量。通过使用来自统计力学的模型，这项工作的目的是估计方程的动态研究在MPGA的连接。为了说明理解MPGA的重要性，我们展示了它的应用程序作为一个有效的替代热化阶段的大都会黑斯廷斯算法应用到伊辛模型。
2018-06-05 cond-mat.stat-mech cs.NE
Finding Optimal Combination of Kernels using Genetic Programming
Christ University Faculty of Engineering（基督大学工程学院）
在计算机视觉中，识别或分类图像中存在的对象的问题被称为对象分类。这是一个具有挑战性的问题，特别是当图像有混乱的背景，遮挡或不同的照明条件。许多视觉特征已经被提出，即使在这种不利的条件下，也可以帮助对象分类。过去的研究表明，采用多个特征而不是任何单个特征可以更好地识别。多核学习（MKL）框架已被开发用于学习对象分类的特征的最佳组合。现有的MKL方法使用基本内核的线性组合，这对于对象分类可能不是最佳的。现实世界的对象分类可能需要考虑内核的复杂组合（非线性），而不仅仅是线性组合。本文提出了一种基于遗传编程的基核非线性函数进化算法。实验结果表明，与线性组合的核相比，使用遗传编程产生的非核具有更好的精度。
2016-04-22 cs.CV cs.LG cs.NE
Evolving XSLT stylesheets
本文介绍了一种基于遗传编程的程序设计方法，用于对可编程逻辑程序（通常称为样式表或逻辑表）进行进化。XML是一种通用的、面向文档的函数式语言，通常用于转换XML文档（或者，一般来说，解决任何可以编码为XML文档的问题）。所提出的解决方案使用一个树表示的样式表以及不同的特定操作符，以获得，在研究的情况下，在合理的时间，一个执行转换的样式表。几种类型的代表进行了比较，导致不同的性能和成功程度。
2007-12-17 cs.NE cs.PL
NegaBent, No Regrets: Evolving Spectrally Flat Boolean Functions
University of Paris 8（巴黎第八大学）；University of Bergen（卑尔根大学）；Faculty of Electrical Engineering and Computing, University of Zagreb（萨格勒布大学电气工程和计算学院）；University of Twente（特温特大学）；Radboud University（拉德堡德大学）
本文研究了进化算法在进化NegaBent布尔函数中的应用，证明遗传编程能有效生成此类函数。
2026-01-31 cs.CR cs.NE
Genetic Algorithms for Mentor-Assisted Evaluation Function Optimization
Bar-Ilan University（巴伊兰大学）；Center for Automation Research, University of Maryland（马里兰大学自动化研究中心）
在本文中，我们演示了如何遗传算法可用于逆向工程的评价函数的参数的计算机象棋。我们的研究结果表明，使用一个适当的导师，我们可以发展一个程序，这是与顶级比赛的国际象棋程序，优于两届世界计算机国际象棋冠军。这种性能增益是通过在其评估函数中进化具有较少数量的参数的程序来实现的，以模仿使用更广泛的评估函数的高级导师的行为。原则上，我们的导师协助方法可以用于各种各样的问题，适当的导师可用。
2017-11-18 cs.LG cs.NE stat.ML
Two Novel Performance Improvements for Evolving CNN Topologies
University of Southampton（南安普顿大学）
卷积神经网络（CNN）是用于图像处理的最先进算法。然而，这些网络的配置和训练是一项复杂的任务，需要深厚的领域知识，经验和大量的试验和错误。使用遗传算法，竞争力的CNN拓扑结构的图像识别可以产生任何特定的目的，但在以前的工作中，这已经在高计算成本。在这项工作中，提出了两种新的方法来利用这些算法，有效地减少了近20%的复杂性和训练时间。这是通过直接在训练时间上进行正则化来实现的，并且使用部分训练来实现对单个架构的早期排名。这两种方法都在CIFAR10基准数据集上进行了验证，并保持了准确性。
2021-02-10 cs.AI cs.CV cs.LG
Robustness, Evolvability and Phenotypic Complexity: Insights from Evolving Digital Circuits
我们展示了进化算法的特征如何影响候选解的进化性，即进化个体由于遗传变异而产生更好的解的倾向。更具体地说，（1+λ）进化策略大大优于（μ+1）进化策略的数字电路的进化的背景下-一个领域的特点是高度的中立性。这种差异是由于这样一个事实，即（μ+1）进化策略进化的电路之间的竞争，以突变的鲁棒性，导致选择表型简单，但低进化电路。这些电路通过最小化功能基因的数量而不是依靠冗余或简并来缓冲突变的影响来实现鲁棒性。这些因素的分析，使我们能够设计一个新的进化算法，并行随机爬山（PSHC），它优于其他两种方法考虑。
2017-12-12 cs.NE
Evolving Chaos: Identifying New Attractors of the Generalised Lorenz Family
在最近的一篇论文中，我们提出了一种智能进化搜索技术，通过遗传规划（GP）寻找新的非线性动力学系统的解析表达式，类似于经典的洛伦兹吸引子，也表现出混沌行为的相空间。在本文中，我们扩展了我们以前的发现，探索另一个画廊的新的混沌吸引子，来自原来的洛伦兹方程组。与以前的探索与正弦型超越非线性，在这里，我们只专注于叉积和更高的功率型非线性三状态方程。我们在这里报告了超过150种不同结构的混沌吸引子，以及它们的一组参数值，相空间动力学和最大李雅普诺夫指数（LLE）。这些新的类Lorenz非线性动力系统的表达式已经通过多基因遗传规划（MGGP）自动进化。在过去的二十年里，有许多人声称设计新的混沌吸引子作为Lorenz家族的增量扩展。我们在这里提供了一个大家庭的混沌系统，其结构非常类似于原来的洛伦兹系统，但有显着不同的相空间动力学。这推进了发现新的混沌系统，可以在许多现实世界的问题中找到应用的最先进的知识。这项工作也可能会发现其档案价值在未来的领域新的混沌系统的发现。
2018-01-28 cs.NE nlin.CD
Modeling the Evolution of Gene-Culture Divergence
我们提出了一个模型，不断发展的代理使用遗传和文化的继承机制。在每个代理中，我们的模型维护两个不同的信息存储，我们称之为基因组和记忆体。适应的过程被模拟为进化过程中的每一个层次的适应（系统发育，个体发育，社会发生）。我们回顾相关的竞争模型，我们展示了我们的模型如何改进以前的尝试模型遗传和文化的进化过程。特别是，我们认为我们的模型可以实现不同的基因文化的共同进化。
2016-04-25 cs.MA cs.NE q-bio.PE
Expert-Driven Genetic Algorithms for Simulating Evaluation Functions
Bar-Ilan University（巴伊兰大学）；University of Maryland（马里兰大学）
在本文中，我们演示了如何遗传算法可用于逆向工程的评价函数的参数的计算机象棋。我们的研究结果表明，使用适当的专家（或导师），我们可以发展一个程序，这是与顶级锦标赛的国际象棋程序，优于两届世界计算机国际象棋冠军。这种性能增益是通过进化一个模仿高级专家行为的程序来实现的。由此产生的评价功能的进化程序由一个更少的参数比专家的。本文提供的扩展实验结果包括我们成功参加2008年世界计算机国际象棋锦标赛的报告。原则上，我们的专家驱动的方法可以用于广泛的问题，适当的专家是可用的。
2017-11-18 cs.LG cs.NE stat.ML
Evolving a New Feature for a Working Program
建立了一个遗传编程系统。第一适应度函数f1用于进化实现第一特征的程序。然后，适应度函数被切换到第二函数f2，该第二函数f2用于演化实现第二特征同时仍然保持第一特征的程序。计算了进化出f1和f2定义的程序所需的G1和G2代的中位数。随着问题难度的增加，观察到G1和G2的行为。在这些系统中，在程序的一般群体中测量工作的程序的密度D1（对于适应度函数f1）。观察到关系G1~1/sqrt（D1）近似成立。此外，在程序的一般群体中测量起作用的程序的密度D2（对于适应度函数f2）。观察到关系G2~1/sqrt（D2）近似成立。
2011-04-02 cs.NE
Genetic Programming is Naturally Suited to Evolve Bagging Ensembles
通过装袋的学习集成可以显著提高低偏差、高方差估计器的泛化性能，包括由遗传编程（GP）进化的估计器。为了提高效率，用于进化（装袋）集合的现代GP算法通常依赖于几个（通常相互连接的）机制和相应的超参数，最终影响易用性。在本文中，我们提供的实验证据表明，这种复杂性可能是没有道理的。我们表明，适应度评估和选择的微小变化足以使一个简单的，否则传统的GP算法有效地进化集成。我们的建议的关键是利用装袋的工作方式来计算，为人口中的每个人，多个健身值（而不是一个）的成本，只是略高于正常的健身评估之一。实验比较的分类和回归任务，并从以前的研究表明，我们的算法票价非常好对国家的最先进的集成和非集成GP算法。我们进一步提供见解所提出的方法（一）缩放的合奏大小，（二）消融的变化选择，（三）观察传统的子树变异引起的进化。代码：https://github.com/marcovirgolin/2SEGP.
2021-02-05 cs.NE
Genetic-Algorithm Seeding Of Idiotypic Networks For Mobile-Robot Navigation
University of Nottingham（诺丁汉大学）
机器人控制设计者已经开始利用人类免疫系统的特性，以产生能够适应复杂、变化的现实世界任务的动态系统。Jernes独特型网络理论已被证明是最流行的人工免疫系统（AIS）方法纳入基于行为的机器人，因为独特型选择产生高度适应性的反应。然而，以前的努力主要集中在发展网络连接上，并且通常使用单一的预先设计的行为集，限制可变性。本文描述了一种方法，编码的行为作为一个可变的属性集，并表明，当编码与遗传算法（GA），多套不同的行为可以自然和迅速地发展，提供更大的范围灵活的行为选择。该算法进行了广泛的测试与模拟电子冰球机器人，导航周围的迷宫跟踪颜色。结果表明，非常成功的行为集可以在大约25分钟内生成，并且当使用多个自治种群时，可以获得更大的多样性，而不是单个种群。
2008-03-11 cs.NE cs.RO
Evolving Spatially Aggregated Features from Satellite Imagery for Regional Modeling
University of Vermont（佛蒙特大学）
卫星图像和遥感以相对较高的分辨率为地理空间现象建模提供了解释变量，但区域摘要往往是分析和可采取行动的洞察力所需要的。在本文中，我们提出了一种新的方法，诱导空间聚合作为机器学习过程的一个组成部分，产生区域模型的功能，其建设是由模型预测性能，而不是事先假设驱动。我们的研究结果表明，遗传编程特别适合这种类型的特征构建，因为它可以自动合成适当的聚合，并且与我们测试的其他回归方法相比，它可以更好地将它们纳入预测模型。在我们的实验中，我们考虑了一个特定的问题实例和真实世界的数据集相关的预测在高山亚洲雪的属性。
2017-12-14 cs.CV cs.NE stat.ML
Evolving Antennas for Ultra-High Energy Neutrino Detection
进化算法从生物学中借用了变异和选择的概念，以进化出已知问题的优化解决方案。GENETIS合作正在开发遗传算法，用于设计对超高能中微子感应无线电脉冲比当前设计更敏感的天线。这次调查有三个方面。第一种是进化简单的线天线来测试概念和不同的算法。第二，优化天线响应模式演变为一个给定的阵列几何形状。最后，天线本身是用中微子灵敏度作为适应性的衡量标准来进化的。这是通过将XFdtd时域有限差分模拟程序与中微子实验相结合来实现的。
2020-05-15 astro-ph.IM cs.NE physics.ins-det
