Multi-Task Multi-Behavior MAP-Elites
本文提出多任务多行为MAP-Elites，通过结合多样性搜索与任务间相似性利用，在保持解多样性的同时提升多任务优化效率，并在人形机器人故障恢复任务上显著优于三个基线。
2023-07-17 cs.NE
Discovering the Elite Hypervolume by Leveraging Interspecies Correlation
进化产生了惊人的物种多样性，每个物种都占据了不同的生态位。像MAP-Elites这样的算法模拟了这种不同的进化过程，找到了一组行为多样但性能高的解决方案，称为精英。我们的关键见解是，自然界中的物种尽管占据着非常不同的生态位，但它们的基因组往往有一个惊人的大部分是共享的;同样，精英很可能集中在一个特定的“精英超体积”中，其形状由它们的共同特征定义。在本文中，我们首先介绍了精英超体积的概念，并提出了两个指标来描述它：基因型传播和基因型相似性。然后，我们引入了一个新的变异算子，称为“定向变异”，利用物种间（或精英间）的相关性，以加速MAP精英算法。我们证明了这个运营商在三个问题（玩具功能，冗余机械臂，和六足机器人）的有效性。
2018-04-11 cs.NE
Vector Quantized-Elites: Unsupervised and Problem-Agnostic Quality-Diversity Optimization
Computational Intelligence Laboratory (CILab), Department of Mathematics, University of Patras（数学系计算智能实验室（CILab），帕特拉大学）；Laboratory of Automation and Robotics (LAR) in the Department of Electrical & Computer Engineering, University of Patras（电气与计算机工程系自动化与机器人实验室（LAR），帕特拉大学）
VQ-Elites通过无监督学习构建结构化行为空间，实现灵活且任务无关的质量-多样性优化。
2025-11-19 cs.AI cs.LG cs.NE
Empirical analysis of PGA-MAP-Elites for Neuroevolution in Uncertain Domains
本文深入实证分析 PGA-MAP-Elites，表明策略梯度变异使其在确定性与不确定高维环境中兼具高性能和可复现性，且该算子主要在进化早期发挥关键作用。
2022-10-24 cs.NE
Seeking Quality Diversity in Evolutionary Co-design of Morphology and Control of Soft Tensegrity Modular Robots
University of Trento（特伦托大学）
由于形态学和控制器之间的非平凡相互作用，设计最佳的软模块化机器人是困难的。进化算法（EA），结合物理模拟器，代表了一个有效的工具来克服这个问题。在这项工作中，我们研究的算法解决方案，以提高质量多样性的协同进化设计的张拉整体软模块化机器人（TSMRs）的两个机器人任务，即达到目标和挤压通过一个狭窄的通道。为此，我们使用三种不同的EA，即，MAP-Elites和两种自定义算法：一种基于生存力进化（ViE）和NEAT（ViE-NEAT），另一种称为双映射MAP-Elites（DM-ME），旨在寻求多样性，同时共同进化机器人形态和基于神经网络（NN）的控制器。详细地说，DM-ME扩展了MAP-Elites，因为它使用两个不同的特征图，分别指形态和控制器，并集成了一种机制来自动定义NN相关的特征描述符。考虑到适应度，在目标达成任务中，ViE-NEAT优于MAP-Elites，结果相当于DM-ME。相反，当考虑特征空间的“照明”方面的多样性时，DM-ME在两个任务上都优于其他两种算法，提供了更丰富的可能的机器人设计池，而ViE-NEAT在目标达成上显示出与MAP-Elites相当的性能，尽管它不利用任何地图。
2021-04-25 cs.NE cs.RO
Synergizing Quality-Diversity with Descriptor-Conditioned Reinforcement Learning
Imperial College London（帝国理工学院）；InstaDeep
本文提出 DCRL-MAP-Elites，将描述符条件 actor 作为生成模型注入后代，以提升质量-多样性算法在高维任务中的性能与多样性，并通过实证分析揭示变异算子间的协同效应。
2024-10-03 cs.AI cs.LG cs.NE
MAP-Elites with Descriptor-Conditioned Gradients and Archive Distillation into a Single Policy
质量多样性算法，如MAP-Elites，是演化计算的一个分支，生成各种高性能的解决方案，已成功地应用于各种领域，特别是在进化机器人。然而，MAP-Elites基于源自遗传算法的随机突变执行发散搜索，因此仅限于低维解的进化种群。PGA-MAP-Elites通过集成受深度强化学习启发的基于梯度的变异算子克服了这一限制，该算子能够实现大型神经网络的进化。虽然在许多环境中表现出色，但PGA-MAP-Elites在几个任务上失败了，其中基于梯度的算子的收敛搜索没有将突变指向存档改进解决方案。在这项工作中，我们提出了两个贡献：（1）我们用改进整个描述符空间的归档的执行器条件评论器来增强策略梯度变化算子，（2）我们利用执行器-评论器训练来学习执行器条件策略，而不需要额外的成本，将档案的知识提炼成一个单一的通用策略，该策略可以执行档案中包含的整个行为范围。我们的算法，DCG-MAP-Elites提高了QD得分超过PGA-MAP-Elites平均82%，在一组具有挑战性的运动任务。
2023-03-07 cs.NE
MAP-Elites based Hyper-Heuristic for the Resource Constrained Project Scheduling Problem
Commonwealth Scientific and Industrial Research Organisation（联邦科学与工业研究组织）；Indian Institute of Technology（印度理工学院）；University of New South Wales（新南威尔士大学）
资源受限的项目调度问题是一个NP-Hard组合优化问题。RCPSP的目标是在不违反任何活动优先级或资源约束的情况下调度一组活动。近年来，研究人员已经从复杂的解决方法，如Meta分析和精确的数学方法，转向更简单直观的解决方案，如优先级规则。这通常涉及使用基于遗传编程的超启发式（GPHH）来发现可应用于新的未知案例的新优先级规则。影响GPHH的一个常见问题是进化的多样性，这通常会导致质量差的输出。在本文中，我们提出了一个MAP精英超启发式（MEHH）的自动发现有效的优先级规则RCPSP。MAP-Elites采用基于质量多样性的方法，明确维护沿多个特征维度表征的不同解决方案的档案。为了证明我们提出的超启发式的好处，我们比较了传统的GPHH和人类专家提出的优先级规则的整体性能。我们的研究结果表明，在多样性和性能方面都有很大的改善。特别是，我们看到的重大改进，已在现有文献中研究的较大的情况下。
2022-04-24 cs.AI cs.NE
Evaluating MAP-Elites on Constrained Optimization Problems
约束优化问题的特点往往是多个约束，在实践中，必须满足不同的公差水平。虽然一些约束是硬的，因此必须满足零容忍，但其他约束可能是软的，使得非零违规是可接受的。在这里，我们评估的适用性MAP-精英“照亮”约束搜索空间映射到特征空间，每个功能对应于一个不同的约束。一方面，MAP-Elites隐式地保留多样性，从而允许对搜索空间的良好探索。另一方面，它提供了一个有效的可视化，便于更好地理解约束违反如何与目标函数相关。我们证明了这种方法的可行性，在一个大的基准问题，在不同的维度，并与不同的算法配置。正如预期的那样，数值结果表明，一个基本版本的MAP-Elites不能竞争的所有问题（特别是那些与等式约束）与国家的最先进的算法，使用梯度信息或先进的约束处理技术。然而，它在发现约束违反与目标权衡并提供新的问题信息方面具有更高的潜力。因此，它可以在未来作为一个有效的积木设计新的约束优化算法。
2019-04-05 cs.NE
Surrogate Infeasible Fitness Acquirement FI-2Pop for Procedural Content Generation
当使用过程内容生成（PCG）为视频游戏生成内容时，目标是创建高质量的功能资产。先前的工作通常利用可行-不可行的两种群（FI-2 Pop）约束优化算法进行PCG，有时结合多维表型精英档案（MAP-Elites）算法来寻找一组不同的解决方案。然而，不可行种群的适应度函数只考虑了违反约束的数量。在本文中，我们提出了一个变体的FI-2 Pop中，一个代理模型的训练，以预测从不可行的父母，可行的孩子，生产可行的孩子的概率加权的适应度。这促使选择更高的适应性，可行的解决方案。我们展示了我们的方法上的任务，产生飞船的空间工程师，显示改进的标准FI-2 Pop，和最近的多发射器约束MAP精英算法。
2022-05-12 cs.NE
Mapping Hearthstone Deck Spaces through MAP-Elites with Sliding Boundaries
质量多样性（QD）算法，如MAP-Elites，已经成为传统单目标优化方法的强大替代方案。它们最初被应用于进化机器人问题，如运动和迷宫导航，但尚未看到广泛的应用。我们认为，这些算法非常适合丰富的视频游戏领域，其中包含许多相关的问题，有许多成功的策略，往往也有多个维度的解决方案可以改变。本文介绍了一种新的修改的MAP精英算法称为MAP精英与滑动边界（MESB），并将其应用到炉石传说，一个流行的收集卡游戏选择其多维行为特征的数量相关的特定风格的发挥设计和重新平衡。为了避免过度填充具有混淆行为的细胞，MESB根据进化个体的分布来滑动细胞的边界。本文通过实验验证了MESB在Hearthstone中的性能。结果表明，MESB发现不同的方式玩游戏以及沿选定的行为维度。对进化策略的进一步分析揭示了在行为维度上反复出现的共同模式，并探讨了MESB如何帮助重新平衡游戏。
2019-04-24 cs.NE
Exploration and Exploitation in Symbolic Regression using Quality-Diversity and Evolutionary Strategies Algorithms
Université de Paris（巴黎大学）；Ochanomizu University（御茶水女子大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
通过结合遗传编程，MAP精英和协方差矩阵自适应演化策略，我们在符号回归问题中表现出非常高的成功率。MAP-Elites用于改进探索，同时保持多样性并避免过早收敛和膨胀。然后，协方差矩阵自适应演化策略被用来评估自由标量通过非梯度的黑箱优化器。虽然这种评估方法是不计算可扩展的高维问题，我们的算法是能够找到正是大多数的$31$目标提取的文献上，我们评估它。
2019-06-10 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
MAP-Elites with Transverse Assessment for Multimodal Problems in Creative Domains
针对多模态创意任务，提出结合跨模态一致性评估的MEliTA算法，通过解耦模态、促进精英交叉，改善文本-图像映射，推动多模态自下而上编排发展。
2024-03-11 cs.NE
Tournament Informed Adversarial Quality Diversity
IT University of Copenhagen（哥本哈根IT大学）；armasuisse Science+Technology（瑞士国防军工科学与技术）
本文提出竞赛引导的任务选择方法，通过比较解集的6种质量与多样性指标，提升对抗性质量与多样性，验证于Pong、猫鼠游戏和追捕者-逃避者游戏。
2026-05-15 cs.NE
Objectives Are All You Need: Solving Deceptive Problems Without Explicit Diversity Maintenance
该研究提出一种无需显式维持多样性的欺骗性问题求解方法，通过子聚合环境原始性能生成多目标，结合字典选择优化，在欺骗性域效果优于MAP-Elites，多样性指标表现具竞争力。
2023-11-04 cs.NE
Quality-Diversity Meta-Evolution: customising behaviour spaces to a meta-objective
University of Southampton（南安普顿大学）
本文提出QD-Meta框架，通过演化具有不同算法和表征特性的QD算法种群来优化用户定义的元目标，实证表明其在函数优化和机器人运动基准上优于CVT-MAP-Elites和AURORA，提供更好的平均性能和更快的环境适应能力。
2021-09-08 cs.AI cs.NE cs.RO
Scaling MAP-Elites to Deep Neuroevolution
INRIA（法国国家信息与自动化研究所）；Uber AI Labs（优步人工智能实验室）；Element Inc.（Element公司）；OpenAI
质量多样性（QD）算法，特别是MAP-Elites（ME），已被证明对广泛的应用非常有用，包括使真正的机器人能够从关节损伤中快速恢复，解决强欺骗性的迷宫任务或进化机器人形态以发现新的步态。然而，目前的MAP-Elites和其他QD算法的实现似乎仅限于具有比现代深度神经网络模型少得多的参数的低维控制器。在本文中，我们建议利用效率的演化策略（ES）的规模MAP精英高维控制器参数化的大型神经网络。我们设计和评估一个新的混合算法称为MAP精英与演化策略（ME-ES）的损伤后恢复在一个困难的高维控制任务，传统ME失败。此外，我们表明，ME-ES进行有效的探索，与国家的最先进的探索算法在高维控制任务具有强烈的欺骗性奖励。
2020-06-05 cs.AI cs.LG cs.NE
Understanding trade-offs in classifier bias with quality-diversity optimization: an application to talent management
本文提出基于质量-多样性优化及MAP-Elites的可视化方法，用于揭示训练数据偏差，并识别人才管理等场景中满足公平阈值的模型及其公平性-准确性权衡。
2025-05-15 cs.NE
Interactive Constrained MAP-Elites: Analysis and Evaluation of the Expressiveness of the Feature Dimensions
Malmö University（马尔默大学）；New York University（纽约大学）
我们提出了交互式约束地图精英，游戏内容生成的质量多样性解决方案，实现作为一个新的功能的进化地牢设计器：一个混合的主动合作创造力的工具，设计地牢。该功能使用MAP-Elites算法，这是一种照明算法，根据不同行为维度的分数将种群隔离在几个细胞中。用户可以随时在这些维度之间灵活动态地交替，从而以直观的方式指导进化过程，然后将算法产生的建议纳入他们的房间设计中。与此同时，人类用户执行的任何修改都将反馈到MAP-Elites中，关闭一个不断相互启发的循环工作流程。本文介绍了算法，然后深入分析其行为，其目的是评估在几种情况下所有可能的维度组合的表达范围，以及讨论它们在健身景观和混合主动程序内容生成的整体性能的影响。
2021-02-09 cs.AI cs.NE
Quality Diversity for Multi-task Optimization
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）
质量多样性（QD）算法是一个最近的家庭的优化算法，搜索一个大的集合的多样性，但高性能的解决方案。在某些特定情况下，他们可以同时解决多个任务。例如，他们可以找到机器人手臂到达一组点所需的关节位置，这也可以通过为每个目标点运行经典优化器来解决。然而，当需要针对每个任务独立地评估适应度时，它们不能解决多个任务（例如，优化策略以掌握许多不同的对象）。在本文中，我们提出了一个扩展的MAP-Elites算法，称为多任务MAP-Elites，解决多个任务时，适应度函数依赖于任务。我们在模拟的参数化平面臂（10维搜索空间; 5000个任务）和具有不同长度腿的模拟6足式机器人（36维搜索空间; 2000个任务）上对其进行了评估。结果表明，在这两种情况下，我们的算法优于每个任务的优化分别与CMA-ES算法。
2020-04-17 cs.NE cs.RO
Multi-task multi-constraint differential evolution with elite-guided knowledge transfer for coal mine integrated energy system dispatching
School of Information and Control Engineering, China University of Mining and Technology（中国矿业大学信息与控制工程学院）；School of Artificial Intelligence and Computer Science, Jiangnan University（江南大学人工智能与计算机学院）；School of Information Science and Technology, Qingdao University of Science and Technology（青岛科技大学信息科学与技术学院）
针对煤矿综合能源系统调度中高维强约束多目标优化难题，提出融合领域知识的多任务差分进化框架，通过约束耦合分解、精英引导知识迁移和自适应邻域变异，在可行性、收敛性与多样性上优于CPLEX及七种对比算法。
2024-06-29 cs.AI cs.NE
Theoretical Analysis of Quality Diversity Algorithms for a Classical Path Planning Problem
University of Passau（帕绍大学）；The University of Adelaide（阿德莱德大学）
本文对Map-Elites质量多样性算法在全对最短路径问题上的行为进行理论分析，证明其能高效并行求解，并提出加速的父代选择技术。
2024-12-16 cs.AI cs.NE
Many-objective Optimization via Voting for Elites
University of Vermont（佛蒙特大学）
本文提出 MOVE 算法，通过维护在不同目标子集上表现优异的精英地图，在仅 50 个个体的种群规模下解决 14 目标图像神经进化问题，并揭示了目标切换作为隐式课程学习机制的作用。
2023-07-05 cs.AI cs.NE
Quality-Diversity Algorithms Can Provably Be Helpful for Optimization
本文通过运行时间分析证明，在单调近似子模最大化和集合覆盖两类 NP 难问题上，质量-多样性算法 MAP-Elites 可达渐近最优多项式近似比，而传统 $(\mu+1)$-EA 在某些实例上需指数时间，从而为 QD 算法有助于优化提供了理论依据。
2024-05-04 cs.NE
Quality-Diversity Search in Sound Generation: Investigating Innovation Engines for Audio Exploration
University of Oslo（奥斯陆大学）
本研究将质量多样性算法与监督判别模型结合，通过多频段CPPN和DSP图生成多样化合成声音，并分析进化路径与时间生态位，展示了创新引擎在声音发现中的潜力。
2026-06-08 cs.NE cs.SD
Adversarial Coevolutionary Illumination with Generational Adversarial MAP-Elites
IT University of Copenhagen（哥本哈根信息技术大学）；armasuisse Science+Technology（瑞士联邦国防军科技司）
本文提出GAME算法，通过交替进化对抗双方，结合视觉嵌入模型消除领域特定行为描述，验证其在三个对抗领域中的有效性及开放性发现的局限性。
2026-05-08 cs.NE
Controller Distillation Reduces Fragile Brain-Body Co-Adaptation and Enables Migrations in MAP-Elites
University of Vermont（佛蒙特大学）
针对MAP-Elites中脑-体协同适应脆弱导致迁移受阻的问题，提出Pollination技术，通过周期性用蒸馏控制器替换控制器来增强跨形态泛化，从而提升迁移成功率与质量-多样性指标。
2025-04-09 cs.LG cs.NE cs.RO
T-DominO: Exploring Multiple Criteria with Quality-Diversity and the Tournament Dominance Objective
现实世界的设计问题是约束、目标和特性的混乱组合。探索这些问题空间可以被定义为多标准探索（MCX）问题，其目标是产生一组在许多目标上具有高性能的多样化解决方案，同时避免在任何目标上的低性能。质量多样性算法产生所需的设计变化，但通常只考虑一个目标。我们提出了一个新的排名，T-DominO，专门设计用于处理MCX问题中的多个目标。T-DominO将个人相对于档案中的其他解决方案进行排名，优先考虑具有平衡性能的个人，而不是那些以牺牲其他目标为代价在少数目标上表现出色的个人。在每个MAP-Elites bin中只保留一个平衡的解决方案，以保持归档的视觉可访问性-这是设计探索的强大资产。我们说明了我们的方法在一组易于理解的基准，并展示其潜力在一个多目标的现实世界的架构案例研究。
2022-07-04 cs.NE
Evolution of a Functionally Diverse Swarm via a Novel Decentralised Quality-Diversity Algorithm
在包括昆虫群体、人类群体和群体机器人在内的广泛研究中，一个群体内功能多样性的存在已被证明会导致更大的鲁棒性、更高的性能和更高的解决问题能力。然而，在进化机器人中，不断发展的群体多样性已被证明是具有挑战性的，需要生殖隔离和对种群规模和选择机制的仔细关注。为了解决这个问题，我们引入了一种新的，分散的，变体的MAP-精英照明算法，这是一个著名的分布式进化算法（mEDEA）杂交。该算法同时为多个机器人进化多个不同的行为，相对于一个简单的令牌收集任务。群中的每个机器人都维护一个由两个预先指定的功能特征定义的本地存档，该功能特征与它接触的机器人共享。我们调查了四种不同的策略，共享，利用和结合当地档案和比较结果mEDEA。实验结果表明，与以前的索赔相比，它是可能的，以发展一个功能多样的群体没有地理隔离，新方法优于mEDEA的多样性，覆盖率和精度的进化群体。
2018-04-20 cs.NE
Quality Diversity Evolutionary Learning of Decision Trees
University of Trento（特伦托大学）
解决可解释的机器学习的需求已经成为现代人工智能（AI）最重要的研究方向之一。虽然该领域中当前的主导范例是基于黑盒模型，通常以（深）神经网络的形式，但这些模型缺乏对人类用户的直接可解释性，即，它们的结果（更重要的是，它们的内部运作）是不透明的，难以理解。这阻碍了人工智能在安全关键型应用中的采用，因为这些应用涉及到很高的利益。在这些应用中，可解释的设计模型，如决策树，可能是更合适的，因为它们提供了可解释性。最近的工作提出了决策树和强化学习的混合，以结合这两种方法的优点。然而，到目前为止，这些工作都集中在这些混合模型的优化。在这里，我们应用MAP-Elites在特征空间上多样化混合模型，该特征空间捕获模型复杂性及其行为可变性。我们将我们的方法应用于OpenAI Gym库中的两个众所周知的控制问题，在这个问题上，我们讨论了MAP-Elites投影的“照明”模式，并将其结果与现有的类似方法进行了比较。
2022-08-17 cs.AI cs.LG cs.NE
Automatic Calibration of Artificial Neural Networks for Zebrafish Collective Behaviours using a Quality Diversity Algorithm
Ochanomizu University（御茶水女子大学）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Univ Paris Diderot（巴黎狄德罗大学）
在过去的二十年里，已经提出了各种模型的鱼类集体运动。这些模型主要用于解释动物之间社会互动的生物学机制。他们考虑的是非常简单的均匀无界环境，目前还不清楚他们是否能准确地模拟集体轨迹。此外，当模型更准确时，它们对更大的群体或更复杂的环境的可扩展性问题仍然是开放的。本研究旨在学习如何利用真实世界的跟踪数据来模拟真实的斑马鱼集体运动。我们的目标是设计一个基于代理的模型，可以实现一个人工机器鱼，可以融入一个集体的真正的鱼。我们提出了一种新的方法，使用质量多样性算法，一类算法，强调探索纯优化。特别是，我们使用CVT-MAP-Elites，一个变种的国家的最先进的MAP-精英算法的高维搜索空间。结果表明，质量多样性算法不仅在宏观层面（即群体行为）优于经典的进化强化学习方法，而且还能够在微观层面（即个体行为）生成更逼真的仿生行为。
2019-07-22 cs.AI cs.NE q-bio.NC
Illuminating search spaces by mapping elites
Université Pierre et Marie Curie-Paris 6（巴黎第六大学（皮埃尔和玛丽·居里大学））；University of Wyoming（怀俄明大学）
许多领域使用搜索算法，它自动探索搜索空间以找到高性能的解决方案：化学家搜索分子空间以发现新药;工程师搜索更强大，更便宜，更安全的设计，科学家搜索最能解释数据的模型等。在这里，我们描述了一种新的，从根本上不同类型的算法，是更有用的，因为它提供了一个高性能的解决方案是如何分布在整个搜索空间的整体视图。它在由用户选择的变化维度定义的空间中的每个点创建高性能解决方案的地图。这种多维表型精英档案（MAP-Elites）算法照亮了搜索空间，使研究人员能够了解解决方案的有趣属性如何结合起来影响性能，无论是积极的，还是同样感兴趣的，消极的。例如，制药公司可能希望了解性能如何随着分子大小及其生产成本的变化而变化。MAP-Elites产生了大量的高性能，但质量不同的解决方案，这可能比单一的高性能解决方案更有帮助。有趣的是，由于MAP-Elites探索了更多的搜索空间，因此它也倾向于找到比最先进的搜索算法更好的整体解决方案。我们证明了这种新算法的好处，在三个不同的问题域，从生产模块化神经网络设计模拟和真实的软体机器人。因为MAP-精英（1）阐明了性能和解决方案中感兴趣的维度之间的关系，（2）返回一组高性能但多样化的解决方案，（3）改进了寻找单一最佳解决方案的工作，它将推动科学和工程的发展。
2015-04-20 cs.AI cs.NE cs.RO
Preference-Learning Emitters for Mixed-Initiative Quality-Diversity Algorithms
本文提出偏好学习发射器（PLEs）通用框架，将其集成到交互式约束 MAP-Elites 系统中，通过学习设计师偏好并自动化生成步骤，在保持设计意图一致的同时加速混合主动式共同创作搜索，并在《太空工程师》游戏中通过用户研究验证了方法有效性。
2023-04-15 cs.HC cs.NE
Controllable Exploration of a Design Space via Interactive Quality Diversity
本文提出一种基于质量多样性的用户驱动进化算法，通过在行为空间小窗口内采样备选方案并随用户选择动态调整窗口，有效降低了用户认知负荷与疲劳，在建筑布局生成任务中比 MAP-Elites 找到了更符合用户偏好的解决方案。
2023-04-07 cs.HC cs.NE
Improving the Data Efficiency of Multi-Objective Quality-Diversity through Gradient Assistance and Crowding Exploration
Imperial College London（帝国理工学院）；InstaDeep
提出MOME-PGX算法，通过基于梯度的优化和拥挤探索机制扩展MOME，在四个机器人运动任务中显著提升了多目标质量-多样性优化的数据效率和性能。
2023-05-16 cs.AI cs.LG cs.NE
Discovering Representations for Black-box Optimization
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）；Bonn-Rhein-Sieg University of Applied Sciences（波恩莱茵锡格应用技术大学）
在黑盒优化中，解决方案的编码是表达能力和领域知识之间的微妙的、手工制作的平衡--在探索各种各样的解决方案和确保这些解决方案有用之间。我们的主要观点是，这个过程可以通过使用质量多样性算法（这里是MAP-Elites）生成高性能解决方案的数据集来自动化，然后使用生成模型（这里是变分自编码器）从该数据集学习表示。我们的第二个见解是，这种表示可以用于将质量多样性优化扩展到更高的维度-但只有当我们仔细混合使用学习表示生成的解决方案和使用传统变异算子生成的解决方案时。我们证明了这些能力，通过学习一个低维编码的逆运动学的千关节平面arm. Results结果表明，学习表示可以解决高维问题的数量级少的评价比标准的MAP精英，而且，一旦解决，产生的编码可用于快速优化的新的，但类似的任务。所提出的技术不仅将质量多样性算法扩展到高维，而且表明黑盒优化编码可以自动学习，而不是手动设计。
2020-07-05 cs.LG cs.NE
On the Use of Quality Diversity Algorithms for The Traveling Thief Problem
在现实世界的优化，这是常见的，面对几个子问题相互作用，形成主要问题。子问题之间存在相互依赖性，因此不可能只关注一个组件来解决这样的问题。旅行小偷问题（TTP）就是其中之一，它是旅行商问题（TSP）和背包问题（KP）的结合。本文利用质量多样性（quality diversity，QD）方法研究了TSP和KP的相互依赖性。QD算法提供了一个强大的工具，不仅要获得高质量的解决方案，但也说明了高性能的解决方案在行为空间中的分布。我们引入了一个MAP精英的进化算法，使用著名的TSP和KP搜索算子，以TSP和KP得分作为行为描述符。之后，我们进行了全面的实验研究，显示使用QD方法应用于TTP的有用性。首先，我们提供有关TSP/KP行为空间中高质量TTP解决方案的见解。之后，我们表明，更好的解决方案的TTP可以通过使用我们的QD方法，它可以提高最知名的解决方案的一些TTP的情况下，用于基准在文献中。
2023-01-04 cs.NE
Uncertain Quality-Diversity: Evaluation methodology and new methods for Quality-Diversity in Uncertain Domains
质量多样性优化（QD）已被证明在广泛的应用中产生有希望的结果。然而，QD方法在环境中存在不确定性的情况下会遇到困难，因为它影响了它们量化解决方案的真实性能和新颖性的能力。这个问题在以前的文献中已经被独立地强调了多次。在这项工作中，我们建议通过四个主要贡献统一对这个问题的看法。首先，我们正式不确定域的一个共同的框架：不确定QD设置，QD的一个特殊情况下，每个解决方案的适应度和描述符不再是固定值，但分布在可能的值。其次，我们提出了一种新的方法来评估不确定的QD方法，依赖于一个新的每代抽样预算和一组现有的和新的指标，专门为不确定的QD。第三，我们提出了三种新的不确定性量子点算法：归档采样、自适应采样和深度网格采样。我们提出这些方法，考虑到最近的进展，在量子点社区对使用硬件加速，使大量的并行评估，使采样负担得起的方法的不确定性。我们的最后也是第四个贡献是使用这个新的框架和相关的比较方法来衡量现有的和新的方法。我们再次证明了MAP-精英在不确定领域的局限性，并强调了现有的深度网格方法和我们的新算法的性能。这个框架和方法的目标是成为未来考虑不确定QD的工作的工具基准。
2023-03-27 cs.NE
A 'MAP' to find high-performing soft robot designs: Traversing complex design spaces using MAP-elites and Topology Optimization
Data 61, CSIRO（数据61分部（联邦科学与工业研究组织））；University of Cambridge（剑桥大学）
针对软体机器人缺乏高效设计工具的问题，提出结合拓扑优化与质量多样性优化的分层方法，通过演化设计域内可变空隙生成多样高性能设计，在基准与抓手任务中验证有效，提供新的软硬部件设计框架。
2024-07-10 cs.NE cs.RO
Evolving Flying Machines in Minecraft Using Quality Diversity
Southwestern University（西南大学）
本文针对 EvoCraft 无法进化 Minecraft 飞行器的问题，结合基于适应度的进化与质量多样性算法 MAP-Elites，证明合适行为特征可显著提升飞行器发现的可靠性。
2023-04-19 cs.AI cs.NE
Quality and Diversity in Evolutionary Modular Robotics
University of Oslo（奥斯陆大学）
在进化机器人学中，解决方案的群体被进化以优化解决给定任务的机器人。然而，在传统的进化算法中，当问题很复杂或搜索空间很大时，解的种群往往会收敛到局部最优，这就是所谓的早熟收敛问题。质量多样性算法试图通过引入额外的措施来克服过早收敛，这些措施奖励不同的解决方案，而不一定表现得更好。在本文中，我们比较了一个单目标进化算法与两个多样性促进搜索算法;多目标进化算法和MAP-Elites质量多样性算法，在模块化机器人进化控制和形态学的困难问题。我们比较他们的能力，以产生高性能的解决方案，除了分析进化形态的多样性。结果表明，这三种搜索算法都能够进化出高性能的个体。然而，质量多样性算法更擅长于用高性能解决方案填充所有小生境。这证实了质量多样性算法非常适合于不断发展的模块化机器人，并且可以成为生成高性能解决方案的重要手段，这些解决方案可以在设计和运行时使用。
2020-08-05 cs.NE cs.RO
Discovering Quality-Diversity Algorithms via Meta-Black-Box Optimization
Imperial College London（帝国理工学院）；Sakana AI
本文提出利用元学习自动发现质量-多样性算法，通过注意力机制参数化竞争规则，所得算法在性能、泛化能力和多样性维持上均表现优异。
2025-02-04 cs.LG cs.NE
Enhancing MAP-Elites with Multiple Parallel Evolution Strategies
Imperial College London（帝国理工学院）
针对质量多样性算法在高维、不确定性场景下难以高效利用大规模并行评估资源的问题，提出可在单GPU运行多并行进化策略的MEMES算法，在多类任务中性能优于现有QD方法，可生成高性能多样化的可复现解。
2024-04-12 cs.AI cs.LG cs.NE
Fast and stable MAP-Elites in noisy domains using deep grids
Imperial College London（伦敦帝国学院）
针对 QD 算法在适应度与行为描述符噪声下评估成本高的问题，提出利用相似历史方案档案估计性能的 Deep-Grid MAP-Elites，并在三类噪声任务中证明其更稳健、样本效率更高。
2020-06-25 cs.LG cs.NE cs.RO
Evolving Populations of Diverse RL Agents with MAP-Elites
InstaDeep（InstaDeep公司）
针对现有MAP-ELITES与强化学习结合方法存在的样本效率低、绑定特定RL算法、训练不稳定等问题，提出可适配任意RL算法、进化含超参数的智能体种群的灵活框架，经机器人控制实验验证了其优势。
2023-06-15 cs.AI cs.NE
Quality and Diversity Optimization: A Unifying Modular Framework
Imperial College London（帝国理工学院）
根据一个或多个目标找到最佳解决方案的函数优化在许多工程和研究领域中具有核心作用。最近，一个新的家庭的优化算法，称为质量多样性优化，已被介绍，并与经典算法进行了对比。质量多样性算法不是搜索单一的解决方案，而是搜索大量的多样化和高性能的解决方案。此集合的作用是尽可能涵盖可能多的解决方案类型，并包含每种类型的最佳解决方案。本文的贡献有三个方面。首先，我们提出了一个统一的框架的质量多样性优化算法，涵盖了这个家庭的两个主要算法（多维档案表型精英和新颖性搜索与本地竞争），并强调了大量的各种各样的变种，可以在这个家庭中进行调查。其次，我们提出了一个新的选择机制的质量多样性算法，优于本文测试的所有算法的算法。最后，我们提出了一个新的集合管理，克服了使用非结构化集合时观察到的侵蚀问题。这三个贡献的支持质量多样性算法在三个不同的实验方案进行了广泛的实验比较。
2017-05-12 cs.AI cs.NE
Extract-QD Framework: A Generic Approach for Quality-Diversity in Noisy, Stochastic or Uncertain Domains
针对不确定域中UQD方法选择困难的问题，提出统一现有方法的Extract-QD框架及衍生方法EME，EME在基准测试中性能优异，框架还可增强现有算法，降低UQD应用成本。
2025-02-10 cs.NE
Exploring Definitions of Quality and Diversity in Sonic Measurement Spaces
RITMO, University of Oslo（RITMO，奥斯陆大学）；Department of Informatics, University of Oslo（信息学院，奥斯陆大学）；Department of Musicology, University of Oslo（音乐学系，奥斯陆大学）
本文提出利用无监督降维方法自动定义和动态调整声音行为空间，以提升QD算法在数字声音合成中的多样性和探索能力。
2025-12-02 cs.NE cs.SD
Runtime Analysis of Quality Diversity Algorithms
本文分析了质量多样性算法在伪布尔优化中的运行时间，给出了覆盖所有特征单元的紧界，并证明其在OneMax、单调子模优化和最小生成树问题上具有高效性能。
2023-07-04 cs.NE
Illuminating the property space in crystal structure prediction using Quality-Diversity algorithms
本研究将质量-多样性算法引入晶体结构预测，结合机器学习代理模型降低计算成本，通过MAP-Elites算法在TiO₂等多种体系中发现了多个具有不同性质的晶体结构，为新材料探索提供了新路径。
2024-03-06 cond-mat.mtrl-sci cs.NE
Quality with Just Enough Diversity in Evolutionary Policy Search
ISAE-SUPAERO（法国高等航空航天学院）；Univ. de Toulouse（图卢兹大学）；Imperial College London（伦敦帝国学院）
针对ES易受欺骗性景观影响、QD分散评估预算的问题，提出JEDi框架，利用行为-适应度关系聚焦有前景区域并以ES高效探索，在困难探索和复杂控制任务上优于两类方法。
2024-05-07 cs.NE cs.RO
A Framework for Automatic Behavior Generation in Multi-Function Swarms
University of Oslo（奥斯陆大学）；Norwegian Defence Research Establishment（挪威国防研究机构）；Naval Postgraduate School（美国海军研究生院）
多功能群是一次解决多个任务的群。例如，四轴飞行器群可以负责探索感兴趣的区域，同时充当临时中继。这种类型的多功能带来了同时处理潜在冲突需求的挑战。利用质量多样性算法MAP-精英结合一个合适的控制器结构，提出了一个框架的多功能群体的自动行为生成。该框架测试的情况下，同时进行三项任务：勘探，通信网络的创建和地理定位的RF发射器。一个剧目是演变，包括广泛的控制器，或行为原语，在不同的任务具有不同的特点和权衡。这套系统将使群体能够根据情境要求在线进行行为权衡。此外，噪声对MAP精英的行为特征的影响进行了研究。一个中等数量的重新评估被发现，以增加鲁棒性，同时保持相对较低的计算要求。几个选定的控制器进行检查，并探讨这些控制器之间的过渡的动态。最后，研究开发了一种方法来分析所得到的控制器的化妆。这是通过一个参数变化的研究，其中的重要性，个别输入的群体控制器进行评估和分析。
2020-07-11 cs.AI cs.MA cs.NE
The Quality-Diversity Transformer: Generating Behavior-Conditioned Trajectories with Decision Transformers
InstaDeep；CNRS（法国国家科学研究中心）；Sorbonne Université（索邦大学）
针对不确定环境中策略缺乏鲁棒性和储备库离散性导致行为不连续的问题，提出结合MAP-Elites Low-Spread（ME-LS）和Quality-Diversity Transformer（QDT）的方法，实现高精度按需生成行为条件化轨迹。
2023-09-13 cs.AI cs.NE
