The Hybridization of Branch and Bound with Metaheuristics for Nonconvex Multiobjective Optimization
针对非凸多目标优化问题，提出了一种结合分支定界法和多目标进化算法的混合框架。杂交利用了两种优化策略的互补特性。多目标进化算法的目的是诱导严格的下限和上界在分支定界过程。像这样的紧边界可以减少必须解决的子问题的数量。分支定界法保证了框架的整体收敛，提高了多目标进化算法的搜索能力。将NSGA-II和MOEA/D-DE作为多目标进化算法，给出了混合框架的实现。数值实验验证了混合算法的优势在于分支定界法和多目标进化算法的协同作用。
2022-12-09 cs.NE math.OC
Sequential, Parallel and Consecutive Hybrid Evolutionary-Swarm Optimization Metaheuristics
该研究对比了串行、并行、接续式混合PSO-GA元启发式算法与基础算法在多维度基准函数上的表现，证实混合算法收敛性与稳定性更优，还提出了带显式信息传递机制的新型接续混合PSO-GA算法。
2025-08-01 cs.NE math.OC
Applying Evolutionary Algorithms Successfully: A Guide Gained from Real-world Applications
一般而言，元算法（MH）和进化算法（EA）是成功优化困难问题的众所周知的工具。但是，什么时候他们的应用程序是有意义的，以及如何处理这样一个项目作为一个新手？如何避免初学者的错误，或者如何尽可能有效地使用元启发式搜索的设计可能性？本文基于进化算法GLEAM及其模因扩展HyGLEAM近30年的研究和应用，试图回答这些问题。这里收集和讨论的大多数经验也可以应用于其他元算法，如蚂蚁算法或粒子群优化。本文针对具有一般MH基本知识的用户，特别是想要将其应用于优化项目的EA。为此目的，在这样一个项目的过程中出现的一些问题得到解决。最后，讨论了一些非技术性的项目管理问题，其重要性往往被低估的项目成功。
2021-07-23 cs.NE
EvoGrad: Metaheuristics in a Differentiable Wonderland
本文提出 EvoGrad 统一可微分框架，将进化计算与群体智能算子改造为可通过反向传播端到端优化的形式，并在基准函数和小型 NN 回归任务上验证其优于传统无梯度元启发式算法。
2025-05-28 cs.NE
Learning to Solve Multiresolution Matrix Factorization by Manifold Optimization and Evolutionary Metaheuristics
Indiana State University（印第安纳州立大学）；University of Chicago（芝加哥大学）
针对现有多分辨率矩阵分解（MMF）贪心方法稳定性差的问题，提出结合进化元启发式算法与Stiefel流形优化的可学习MMF，所得小波基性能更优，构建的小波神经网络在图分类任务上达前沿水平。
2024-08-18 cs.LG cs.NE
Enhancing Mass Customization Manufacturing: Multiobjective Metaheuristic Algorithms for flow shop Production in Smart Industry
针对智能工业中大规模定制下的流水车间生产规划问题，本文提出多目标进化算法求解带缺失工序的流水车间调度，并通过大量实验验证其竞争力及缺失工序概率对优化目标的影响。
2024-07-26 cs.NE
New perspectives on the optimal placement of detectors for suicide bombers using metaheuristics
本研究针对自杀式炸弹袭击的探测器布置问题，考虑攻击者知情决策的对抗性场景，比较四种元启发式算法，发现进化算法在复杂搜索景观中表现最佳。
2024-05-29 cs.NE
Exploration-Exploitation-Evaluation (EEE): A Framework for Metaheuristic Algorithms in Combinatorial Optimization
本研究提出探索-开发-评估（EEE）元启发式算法框架，含参数空间探索、优参开发、不确定性量化三阶段，经TSPLIB berlin52数据集验证，可量化ACO求解TSP的最优解发现概率。
2025-10-06 cs.NE
Parameter Tuning Strategies for Metaheuristic Methods Applied to Discrete Optimization of Structural Design
本文提出了几种策略来调整参数的元启发式方法的钢筋混凝土（RC）结构（离散）设计优化。提出了一种基于平均性能曲线下面积的效用度量方法。现实的RC结构的建模，分析和设计的过程中，导致目标函数的评估是计算非常昂贵的。为了避免昂贵的模拟，使用两种类型的代理模型。第一个是创建一个包含所有可能解决方案的数据库。第二种方法是利用基准函数建立基准函数的离散子空间，模拟实际问题的主要特征。基于两种策略对四种元算法进行参数调整。它们之间的主要区别是为进行部分评估而建立的参数控制。最简单的策略适合于调整好的“通才”方法，即，方法具有良好的性能，无论参数配置如何。另一个更昂贵，但非常适合评估任何方法。调试结果表明，生物地理优化，一个相对较新的进化算法，优于其他方法，如遗传算法或粒子群优化问题，由于其独特的方法，应用重组和变异算子。
2021-10-12 cs.NE
Reinforcement learning based adaptive metaheuristics
University of Trento（特伦托大学）
参数自适应是演化计算应用于数值优化的主要趋势之一，是根据问题的性质自动调整算法超参数的能力。虽然多年来已经提出了几种手工制作的适应策略来解决这个问题，但到目前为止，在应用机器学习来学习这些策略方面的尝试很少。在这里，我们介绍了一个通用的框架，用于执行参数自适应连续域元分析的基础上，国家的最先进的强化学习算法。我们证明了这一框架的适用性的两个算法，即协方差矩阵自适应演化策略（CMA-ES）和差分进化（DE），我们学习，分别适应政策的步长（CMA-ES），和比例因子和交叉率（DE）。我们在两种设置中对这些策略进行训练，一组46个不同维度的基准函数，对策略进行各种输入：每个函数一个策略，所有函数一个全局策略。分别比较，累积步长适应（CSA）的政策和两个著名的自适应DE的变种（iDE和jDE），我们的政策是能够产生竞争力的结果在大多数情况下，特别是在DE的情况下。
2022-06-29 cs.LG cs.NE
The MOEADr Package - A Component-Based Framework for Multiobjective Evolutionary Algorithms Based on Decomposition
基于分解的多目标进化算法（MOEA/D）是一类应用广泛的基于种群的元进化算法，用于求解多目标优化问题。我们介绍了MOEADr包，它提供了许多这些变量作为面向组件的框架的实例化。这种方法有助于从文献中更容易再现现有的MOEA/D变体，以及更快地开发和测试新的复合算法。该软件包提供了一个标准化的，模块化的实现MOEA/D基于这个框架，其目的是为研究人员和从业人员提供一个标准的方式来讨论和表达MOEA/D的变体。在本文中，我们将介绍MOEADr封装背后的设计原理，以及其当前的组件。提供了三个案例研究，以说明这套方案的主要方面。
2018-07-18 cs.NE
A New Lagrangian Problem Crossover: A Systematic Review and Meta-Analysis of Crossover Standards
Erbil Polytechnic University（埃尔比勒理工大学）；Charmo University（查尔莫大学）；University of Kurdistan Hewler（库尔德斯坦休勒大学）
大多数进化元启发式算法的性能依赖于各种操作。其中一种是交叉算子，它分为两种类型：应用相关和应用无关交叉算子。这些标准总是有助于在进化算法过程中选择最佳拟合点。交叉算子的高效率使工程师能够在工程应用优化中最大限度地减少错误，同时节省时间并避免成本。本文有两个关键目标：首先，它是一个交叉标准分类的概述，研究人员已经使用它来解决工程操作和问题表示。本文的第二个目的是：提出了新的标准交叉的意义，依靠拉格朗日对偶函数（LDF）的拉格朗日问题的交叉（LPX）作为一个新的标准系统的运营商的发展制定。建议的交叉标准的结果为100代的父染色体进行比较的BX和SBX标准，这是公共的实数编码的交叉标准。建议的标准的准确性和性能进行了评估，由三个单峰测试功能。此外，本文提出的标准结果被统计地证明，与BX和SBX相比，它具有产生和增强新的优化算法的能力
2022-05-15 cs.AI cs.NE
Evolutionary Strategies for the Design of Binary Linear Codes
二进制纠错码的设计是一个具有挑战性的优化问题，在电信和存储的几个应用，这也已经解决了元启发式技术和进化算法。尽管如此，所有这些努力都集中在优化无限制二进制码的最小距离，即，而对它们的线性没有约束，这对于有效的实现是期望的属性。在本文中，我们提出了一个进化策略（ES）算法，探讨只有一个固定的长度和尺寸的线性码的子集。为此，我们将候选解决方案表示为二进制矩阵，并设计保持其秩的变分算子。实验结果表明，在长度为$n=14$的情况下，我们的进化码总是以完全成功率收敛到最优解，并且进化码都不等价于MAGMA给出的最佳已知线性码（BKLC）.另一方面，对于更大的长度，ES的成功率以及演化码的多样性都开始下降，在$(16,8,5)$码的极端情况下，它们都被证明是等同于MAGMA的BKLC。
2022-11-21 cs.CR cs.DM cs.IT
Quantifying the Impact of Boundary Constraint Handling Methods on Differential Evolution
约束处理是将元搜索应用于实际应用的最有影响力的方面之一，如果处理不当，可能会阻碍搜索进程。在这项工作中，我们专注于一个特殊的情况下-框约束，其中许多边界约束处理方法（BCHMs）已被提出。我们呼吁有必要研究的影响BCHMs的metabolistics的性能和行为，在该领域似乎很少受到关注。我们的目标是通过系统的基准测试量化这种影响，通过调查28个主要的差异进化（DE）的变种从模块化DE框架（通过结合不同的变异和交叉算子）和$13$常用的BCHM，导致$28 \times 13 = 364$算法实例后，配对DE变种与BCHM。在著名的BBOB/COCO问题集上执行算法实例后，我们分析了最佳达到的目标函数值（性能方面）和修复解决方案（行为）的百分比，使用统计排名方法为每个组合的变异，交叉，和BBOB功能组。我们的研究结果清楚地表明，BCHM的选择大大影响了经验性能以及生成的不可行的解决方案的数量，这使我们能够为给定的情况下选择一个合适的BCHM提供一般性的指导方针。
2021-05-14 cs.NE
Towards a human eye behavior model by applying Data Mining Techniques on Gaze Information from IEC
在本文中，我们首先介绍了什么是交互式演化计算（IEC），并迅速我们如何结合这种人工智能技术与眼动仪的视觉优化。接下来，为了正确地参数化我们的应用程序，我们提出的结果，从应用数据采掘技术的凝视信息来自约80人进行的实验。
2008-03-21 cs.HC cs.NE
Benchmarking Differential Evolution on a Quantum Simulator
本研究针对差分进化算法，对比其在经典图灵计算与前沿量子计算下求解rastrigin、rosenbrock函数最小值的表现，通过改变初始化参数开展基准测试，报告了耗时、收敛性及资源利用率结果。
2023-11-06 cs.NE quant-ph
EDEN: Evolutionary Deep Networks for Efficient Machine Learning
African Institute for Mathematical Sciences（非洲数学科学研究所）；University of Cape Town（开普敦大学）；South African Astronomical Observatory（南非天文台）
随着深度的增加，深度神经网络继续表现出更好的性能，这是一个令人鼓舞的趋势，意味着网络架构和超参数的可能排列呈爆炸式增长，而对此几乎没有直观的指导。为了解决这种日益增加的复杂性，我们提出了进化深度网络（EDEN），这是一种计算效率高的神经进化算法，可以与任何深度神经网络平台（如TensorFlow）接口。我们表明，EDEN发展了简单而成功的架构，这些架构是从嵌入、1D和2D卷积、最大池化和全连接层及其超参数构建的。EDEN在七个图像和情感分类数据集上的评估表明，它可靠地找到了良好的网络，并在三种情况下实现了最先进的结果，即使在单个GPU上，也只需6-24小时。我们的研究首次尝试将神经进化应用于创建用于情感分析的1D卷积网络，包括优化嵌入层。
2017-09-26 cs.LG cs.NE stat.ML
