在高复杂性-在NK景观的决定的组成元素之间的普遍相互依赖性-我们的算法获得健身优于现有的研究报告。我们将组成决策的决策元素分布到聚类中。当考虑决策元素的值的变化时，如果位于决策元素旁边的集群成员的聚合适合度较高，则进行向前移动。选择路径中具有最高适应度的决策配置。增加聚类的数量可以获得更高的适应度。此外，在集群中实现包括多达两个变化的移动也获得更高的适应度。我们的算法通过更广泛的搜索获得更好的结果，允许检查更远的配置。为了纪念查尔斯·林德布洛姆（Charles Lindblom），我们将这种算法命名为“得过且过算法”（muddling through algorithm），他在复杂的计算机模拟出现之前很久就发现了这一过程的有效性。
英文摘要：
Under high complexity - given by pervasive interdependence between constituent elements of a decision in an NK landscape - our algorithm obtains fitness superior to that reported in extant research. We distribute the decision elements comprising a decision into clusters. When a change in value of a decision element is considered, a forward move is made if the aggregate fitness of the cluster members residing alongside the decision element is higher. The decision configuration with the highest fitness in the path is selected. Increasing the number of clusters obtains even higher fitness. Further, implementing moves comprising of up to two changes in a cluster also obtains higher fitness. Our algorithm obtains superior outcomes by enabling more extensive search, allowing inspection of more distant configurations. We name this algorithm the muddling through algorithm, in memory of Charles Lindblom who spotted the efficacy of the process long before sophisticated computer simulations came into being.
Characterizing Fitness Landscape Structures in Prompt Engineering
Department of Data Analytics, Dalarna University（数据分析系，达拉那大学）；BEACON Institute for the Study of Evolution in Action, Michigan State University（进化行为研究所，密歇根州立大学）
An Efficient Application of Goal Programming to Tackle Multiobjective Problems with Recurring Fitness Landscapes
Webroster Ltd.（Webroster有限公司）；ASAP Research Group（ASAP研究组）；School of Computer Science, University of Nottingham（nottingham大学计算机科学学院）；Department of Mathematics, Faculty of Science, Mahidol University（Mahidol大学数学系）
Fitness Landscape of Large Language Model-Assisted Automated Algorithm Search
Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）；School of Mathematics and Statistics, Xi’ an Jiaotong University（西安交通大学数学与统计学学院）；HUAWEI Noah’s Ark Lab（华为诺亚实验室）；Huawei Cloud EI Service Product Department（华为云EI服务产品部）
Clustering of Local Optima in Combinatorial Fitness Landscapes
University of Nottingham（诺丁汉大学）；INRIA Lille - Nord Europe（法国国家信息与自动化研究所里尔-北欧分所）；University of Nice Sophia-Antipolis（尼斯索菲亚·安提波利斯大学）；University of Lausanne（洛桑大学）
Land Operations Division, Defence Science and Technology Organisation（国防科学技术组织陆地作战分部）
理解系统如何被设计成可进化的是优化、进化和复杂系统科学研究的基础。因此，许多研究人员已经认识到可进化性的重要性，即在生物进化和演化计算领域中发现更高适应度的新变体的能力。Ciliberti等人（Proc.Nat.Acad.科学，2007）和Wagner（Proc. R. Soc. B.，2008）提出了一个潜在的重要联系之间的鲁棒性和系统的可进化性。特别是，有人认为，鲁棒性实际上可能导致进化的出现。在这里，我们研究了两个设计原则，冗余和退化，实现鲁棒性，我们表明，他们有一个显着不同的影响系统的演化。特别是，纯冗余系统被发现有很少的进化，而系统退化，即分布式鲁棒性，可以是数量级更进化。这些结果提供了深入了解的一般原则，实现进化，并可能被证明是一个重要的一步，在追求进化表示演化计算。
Local Optima Networks: A New Model of Combinatorial Fitness Landscapes
University of Stirling（斯特林大学）；INRIA Lille - Nord Europe（法国国家信息与自动化研究所里尔-北欧分所）；University of Nice Sophia-Antipolis（尼斯索菲亚-安提波利斯大学）；University of Lausanne（洛桑大学）
IDEAS Lab, University of Birmingham（牛津大学伯明翰分校IDEAS实验室）；University of Electronic Science and Technology of China（电子科技大学）；University of Birmingham（牛津大学伯明翰分校）
