A collaborative decomposition-based evolutionary algorithm integrating normal and penalty-based boundary intersection for many-objective optimization
Guangzhou University（广州大学）；South China University of Technology（华南理工大学）
近年来，基于分解的进化算法在多目标优化问题中得到了广泛的应用。然而，现有的分解方法对多目标优化问题边界形状的多样性仍然十分敏感。一方面，锥分解方法，如基于惩罚的边界相交（PBI）是无法获得均匀的边界与非常凸的边界的MaOP。另一方面，包括正常边界相交（NBI）的平行分解方法的平行参考线可能会导致差的多样性，因为在具有凹边界的MaOP的边界附近的采样不足。本文首先提出了一种协同分解方法，该方法综合了并行分解和锥分解的优点，克服了各自的缺点。该方法继承了NBI型切比雪夫函数作为收敛度量，提高了PBI方法的收敛性和分布均匀性。此外，该方法还自适应调整的程度旋转NBI参考线对PBI参考线的每个子问题，以提高分布的多样性的NBI方法。在此基础上，提出了一种基于协同分解的多目标优化进化算法（CoDEA）。在CoDEA中设计了一种基于协作分解的环境选择机制，对边界层中与同一PBI参考线相关的所有个体进行排序，并选出最佳排序。在85个基准测试实例上将CoDEA与几种流行的算法进行了比较。实验结果表明，CoDEA算法在收敛性、均匀性和分布多样性之间保持了较好的平衡，具有较高的竞争力。
2022-04-14 cs.AI cs.NE
An Evolutionary approach for solving Shrödinger Equation
提出了一种基于遗传算法和语法进化的求解薛定谔方程的方法。该方法形成以解析形式表示的试验解的代。我们说明了这种方法的有效性，例如，其应用于量子系统的最小能量的结果，我们比较这些结果与传统的分析方法产生的结果
2014-02-21 cs.NE
A Survey on Learnable Evolutionary Algorithms for Scalable Multiobjective Optimization
Shenzhen University（深圳大学）；The Hong Kong Polytechnic University（香港理工大学）
近几十年来，多目标进化算法在求解多目标优化问题方面取得了很大的进展。然而，这些逐步改进的MOEA并不一定配备有可扩展的和可学习的问题解决策略，以应对不断增加的复杂性从不同方面带来的新的和巨大的挑战，主要包括昂贵的功能评估成本，许多目标，大规模搜索空间，时变环境和多任务。在不同的情况下，需要发散性思维来设计新的强大的MOEA，以有效地解决它们。在这种背景下，在演化计算领域，利用机器学习技术对可学习MOEA的研究受到了广泛的关注。本文首先对扩大规模的MOPs和可学习的MOEA进行了一般分类，然后分析了这些MOPs对传统MOEA构成的挑战。然后，我们综合概述了可学习MOEA在解决各种按比例放大MOP方面的最新进展，主要集中在四个有吸引力的方向（即，用于环境选择的可学习进化鉴别器、用于再生的可学习进化生成器、用于函数评估的可学习进化评估器、以及用于共享或重用优化经验的可学习进化转移模块）。可学习的MOEA的洞察力提供给读者作为在这一领域的努力的一般轨道的参考。
2023-02-27 cs.AI cs.NE
SOM-Guided Evolutionary Search for Solving MinMax Multiple-TSP
多重TSP，在文献中也缩写为mTSP，是旅行商问题的扩展，它是具有重要实际意义的车辆路径问题的许多变体的核心。目前的文件开发和实验与自组织地图，进化算法和蚁群系统，以解决最小最大制定的单仓库多TSP。神经网络方法和两个元算法之间的杂交显示出显著的改进，优于文献中报道的一组问题实例从TSPLIB。
2019-07-27 cs.NE
Distributed Evolutionary Computation: A New Technique for Solving Large Number of Equations
演化计算技术已经成功地用于解决各种优化和学习问题。进化算法在求解复杂问题时比传统方法更能有效地获得最优解。在具有大参数集的问题的情况下，演化计算技术对于单个处理单元引起巨大的计算负担。考虑到这一局限性，本文提出了一种新的分布式演化计算技术，该技术将决策向量分解成更小的分量，在较短的时间内获得最优解。在该技术中，基于雅可比的时变自适应（JBTVA）混合进化算法是分布式的，结合集群计算。此外，两个新的选择方法，即最佳所有选择（BAS）和孪生选择（TS）的最佳拟合解向量的选择。实验结果表明，该分布式系统对不同类型的大参数问题都能获得最优解，并获得了相当大的加速比。
2013-03-03 cs.NE
Solving Linear Equations Using a Jacobi Based Time-Variant Adaptive Hybrid Evolutionary Algorithm
对于大型线性方程组，特别是稀疏的、结构化的系数（矩阵）方程组，用经典方法求解变得困难。进化算法主要用于解决各种优化和学习问题。近年来，经典方法（Jacobi方法和Gauss-Seidel方法）与演化计算技术的混合已经成功地应用于线性方程的求解。在上述两种混合进化方法中，均采用均匀自适应技术来自适应松弛因子。提出了一种新的基于Jacobi的时变自适应混合进化算法。在该算法中，一个时变自适应（TVA）技术的松弛因子被引入，旨在改善精细的局部调整和减少的缺点，均匀的松弛因子的适应。该算法将基于Jacobi的SR方法与时变自适应进化算法相结合。从理论上证明了算法的收敛性定理。并在实验域内将该算法与JBUA混合进化算法和经典算法进行了性能比较。该算法在收敛速度和有效性方面均优于JBUA混合算法和经典方法。
2013-04-13 cs.NE
Evolutionary Optimization in an Algorithmic Setting
进化过程被证明是非常有用的解决优化问题。在这项工作中，我们建立了一个形式化的概念，合作和竞争的多个系统的工作朝着一个共同的优化目标的人口使用演化计算技术。进化算法比传统的递归算法具有更好的表达能力。本文提出了进化算法的三个子类：有界有限型、无界有限型和无限型。给出了上述类的完备性、最优性和搜索可判定性的一些结果。本文对进化图灵机模型进行了自然扩展，使人们能够用数学方法描述和研究优化种群的合作与竞争特性。
2006-11-16 cs.AI cs.NE
Adapting Heuristic Mastermind Strategies to Evolutionary Algorithms
University of Iceland（冰岛大学）；University of Granada（格拉纳达大学）
解决摄魂怪难题的艺术是由唐纳德·克努特（Donald Knuth）发起的，已经有30多年的历史了;尽管如此，它仍然在运筹学和计算机游戏期刊中受到了很大的关注，更不用说自然启发的随机算法文献了。在本文中，我们试图提出一种策略，将允许自然启发的算法获得的结果一样好的那些基于穷举搜索策略，为了做到这一点，我们首先审查，比较和改进目前的方法来解决这个难题，然后我们测试这些策略之一的估计分布算法。最后，我们试图找到一种策略，该策略不具有穷举性，并且可以包含在自然启发的算法（例如进化算法或粒子群算法）中。本文证明了通过将局部熵纳入进化算法的适应度函数，它成为一个更好的球员比随机的，并给出了一个经验法则，如何将最好的启发式策略的进化算法，而不会产生过多的计算成本。
2009-12-12 cs.AI cs.NE
Evolving Evolutionary Algorithms using Linear Genetic Programming
Babes-Bolyai University（巴比什-波雅依大学）
提出了一种新的进化算法模型。该模型是基于线性遗传编程（LGP）技术。每个LGP染色体编码一个用于解决特定问题的EA。几个进化算法的函数优化，旅行商问题，二次分配问题的进化使用所考虑的模型。数值实验表明，进化算法执行类似的，有时甚至比几个著名的基准测试问题的标准方法更好。
2021-08-21 cs.AI cs.NE
EmoDM: A Diffusion Model for Evolutionary Multi-objective Optimization
Guangdong University of Foreign Studies（广东外语外贸大学）；Westlake University（西湖大学）
针对进化算法求解高成本多目标优化问题时函数评估次数多的痛点，提出基于扩散模型的EmoDM，结合互熵注意力机制提升可扩展性，可高效生成非支配解且泛化性好。
2024-08-15 cs.AI cs.NE
Evolutionary Algorithm and Multifactorial Evolutionary Algorithm on Clustered Shortest-Path Tree problem
Quantitative Hedge Fund（量化对冲基金）；Faculty of Natural Science - Technology, Taybac University（太原大学自然科学与技术学院）；School of Information and Communication Technology, Hanoi University of Science and Technology（河内科技大学信息与通信技术学院）
在文献中，离散最短路径树问题（CluSPT）是一个NP难问题。以往的研究往往在相对较大的空间中寻找最优解。为了提高搜索过程的性能，提出了两种方法：第一种方法寻求解决方案作为一组边缘。从原图生成一个新的图，其顶点集的基数比原图小得多。因此，提出了一种有效的进化算法（EA）求解CluSPT。第二种方法寻找基于顶点的解决方案。CluSPT的搜索空间被转换成2个嵌套的搜索空间（NSS）。对于高层优化中的每个候选项，下层的搜索引擎将找到相应的候选项与之组合，以创建CluSPT的最佳解决方案。因此，嵌套局部搜索EA（N-LSEA）被引入到搜索最优解的NSS。在低层求解时，N-LSEA可以处理各种相似的任务。因此，多因子进化算法的应用，以提高这些优化的隐式遗传转移。建议的算法进行了一系列的数据集和所获得的结果表明，优越的效率相比，以前的科学工作。
2020-10-19 cs.AI cs.NE
Evolutionary computation for multicomponent problems: opportunities and future directions
在过去的30年里，演化计算领域的许多研究人员已经投入了大量的精力来介绍各种解决困难问题的方法。这些问题中的大多数都受到了主要行业的启发，因此通过提供最优或接近最优的解决方案来解决这些问题具有重要意义。事实上，这是一个非常有希望的轨迹，因为这些解决问题方法的进步可能会增加主要行业的价值。在本文中，我们重新审视了这一轨迹，以了解三十年前开始的尝试是否仍然与同一目标保持一致，因为现实世界问题的复杂性显着增加。我们提出了一些现代现实世界的问题的例子，讨论为什么他们可能难以解决，以及是否有这些例子和问题之间的任何不匹配的研究在演化计算领域。
2016-06-22 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
Evolutionary Algorithms for Solving Unconstrained, Constrained and Multi-objective Noisy Combinatorial Optimisation Problems
本研究实证评估了多种进化算法在噪声组合优化问题中的表现，发现 UMDA 及其变体在无约束、约束及多目标场景下均优于其他算法，展现出高度的鲁棒性和有效性。
2021-10-05 cs.NE
Learning Adaptive Evolutionary Computation for Solving Multi-Objective Optimization Problems
Eindhoven University of Technology（埃因霍温理工大学）；Nobleo Manufacturing（Nobleo制造公司）
多目标进化算法被广泛应用于求解多目标优化问题。这些算法依赖于设置适当的参数来找到好的解决方案。然而，在解决非试验（组合）优化问题时，这种参数调整可能在计算上非常昂贵。本文提出了一个框架，集成MOEA与自适应参数控制使用深度强化学习（DRL）。DRL策略被训练为自适应地设置值，这些值指示优化期间的解的突变强度和概率。我们测试所提出的方法与一个简单的基准问题和现实世界中，复杂的仓库设计和控制问题。实验结果表明，我们的方法在解决方案的质量和计算时间方面的优势，以达到良好的解决方案。此外，我们还证明了学习策略是可转移的，即，在简单的基准问题上训练的策略可以直接应用于有效地解决复杂的仓库优化问题，而不需要再训练。
2022-11-01 cs.LG 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
COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary Multitasking
TECNALIA, Basque Research and Technology Alliance (BRTA)（西班牙国家技术中心，巴斯克研究与技术联盟）；University of the Basque Country (UPV/EHU)（巴斯克大学）；Middlesex University London（密德萨斯大学伦敦）；Universidad de Cantabria（坎塔布里亚大学）；Toho University（东邦大学）
多任务优化是一个新兴的研究领域，在科学界引起了广泛的关注。这种范式的主要目的是如何通过执行单个搜索过程来同时解决多个优化问题或任务。实现这一目标的主要催化剂是利用待优化的任务之间可能的协同作用和互补性，通过它们之间的知识转移相互帮助（因此被称为转移优化）。在这种情况下，进化多任务通过诉诸演化计算的概念来同时解决手头的任务，从而解决传输优化问题。这项工作通过提出一种处理多任务环境的新颖算法方案来推动这一趋势。提出的方法，被称为协同进化蝙蝠算法，发现它的灵感来自共同进化策略和元启发式蝙蝠算法的概念。我们比较了我们提出的方法的性能与其多因子进化算法对应的15个不同的多任务设置，由8个参考实例的离散旅行商问题。实验和结果支持本研究的主要假设：提出的协同进化蝙蝠算法是一个很有前途的元启发式解决进化多任务的情况。
2020-03-24 cs.AI cs.NE
Evolutionary Computation Algorithms for Cryptanalysis: A Study
各种密码问题的密码分析都可以归结为NP-难组合问题。解决这样的问题需要时间和/或存储器需求，其随着问题的大小而增加。解决组合问题的技术分为两大类-精确算法和演化计算算法。精确算法保证了问题的最优解被找到，而分支定界法、单纯形法、蛮力法等精确算法由于其复杂性（时间和内存需求），对于求解组合问题是非常低效的。采用演化计算算法试图找到一个适当的解决方案的问题。提出了一种演化计算算法--遗传算法、模拟退火算法和禁忌搜索算法，为密码分析提供了一种鲁棒、高效的方法。这些技术的目的是找到足够的“好”的解决方案有效地与问题的特点，而不是全局最优解，因此，它也提供了有吸引力的替代大规模的应用。本文主要研究演化计算算法的方法论问题。
2010-06-30 cs.CR cs.NE
Evolving Evolutionary Algorithms using Multi Expression Programming
Babes-Bolyai University（巴比什-波雅依大学）
进化算法的最优参数设置（即最优种群规模、最优变异概率、最优进化模型等）是一项困难的任务。而不是仅仅进化算法的参数，我们将进化出一个能够解决特定问题的整个EA。为此，使用了多表达式编程（MEP）技术。每个MEP染色体将编码多个EA。本文提出了一种用于函数优化的非分代EA。数值实验表明了该方法的有效性。
2021-08-22 cs.AI cs.NE
An Efficient Multi-objective Evolutionary Approach for Solving the Operation of Multi-Reservoir System Scheduling in Hydro-Power Plants
Universidad de Alcalá（阿尔卡拉大学）；Federal University of Rio de Janeiro（里约热内卢联邦大学）；Federal Center of Technology Education of Minas Gerais（米纳斯吉拉斯联邦技术教育中心）
本文研究了多水库系统梯级运行方案下的短期水电机组组合问题。为此，我们提出了一个新的数学模型，其目标是最大限度地提高总发电量的水电站在一个子日常操作，同时，最大限度地提高水库的总含水量（体积）。为了解决这个问题，我们讨论了多目标进化群杂交（MESH）算法，最近提出的多目标群体智能为基础的优化方法，取得了非常有竞争力的结果相比，现有的进化算法在特定的应用。MESH方法已被应用于寻找最佳的水排放量和发电量在最大水库体积的所有可能的组合涡轮机在水电站。MESH的性能进行了比较，如NSGA-II，NSGA-III，SPEA 2，和MOEA/D在一个现实的问题，考虑从水力发电能源系统的数据与两个级联的水力发电厂在巴西的著名的进化方法。结果表明，MESH在效率和准确性方面表现出优于其他多目标方法的性能，在进行的预测分析中每月提供412，500美元的利润。
2021-07-28 cs.AI cs.NE cs.SY
An Evolutionary-Based Approach to Learning Multiple Decision Models from Underrepresented Data
University of Bedfordshire（贝德福特大学）
使用多个决策模型（DM）能够提高决策的准确性，同时允许用户评估决策的置信度。在本文中，我们探讨了多个DM从少量验证数据中学习的能力。当数据样本难以收集和验证时，这一点变得很重要。我们提出了一个基于进化的方法来解决这个问题。所提出的技术进行检查的一些临床问题提出了少量的数据。
2008-05-24 cs.AI cs.NE
Evolutionary Multimodal Optimization: A Short Survey
University of Toronto（多伦多大学）
现实世界的问题总是有不同的解决方案。例如，光学工程师需要调整记录参数，以获得尽可能多的优化解决方案，为多次试验中的变线间距全息光栅的设计问题。不幸的是，大多数传统的优化技术集中在解决一个单一的最优解。这些问题需要多次求解，但不能保证所有的解都能找到，因此提出了多峰优化问题。在这个问题中，我们感兴趣的不仅是一个单一的最佳点，但也有其他。进化算法具有很强的并行搜索能力，在解决这类问题时特别有效。特别是多峰优化的进化算法通常不仅在一次运行中找到多个最优解，而且在整个运行过程中保持种群的多样性，从而使其具有对多峰函数的全局优化能力。此外，多峰优化的技术被借用作为多样性维护技术的其他问题。在这一章中，我们描述和审查国家的最先进的多峰优化的进化算法的方法，基准测试和应用。
2015-08-03 cs.AI cs.NE q-bio.QM
On the utility of the multimodal problem generator for assessing the performance of Evolutionary Algorithms
本文详细介绍了如何进化算法试图解决多模态问题发生器的实例。该文件表明，为了始终达到全局最优，进化算法需要的人口规模，应至少与峰的数量呈线性增长。它还显示了供应和决策问题之间的密切关系，以前已确定的背景下，人口规模模型的添加剂可分解的问题。然而，最重要的结果的文件，是解决一个多模态问题发生器的实例就像解决一个峰在一个干草堆，有人认为，进化算法不是最好的算法，这样的任务。最后，与一些研究人员一直在做的相反，我们坚信多模态问题生成器不足以评估进化算法的性能。
2006-02-14 cs.NE
Comparing the Digital Annealer with Classical Evolutionary Algorithm
Fujitsu Research of Europe Ltd.（富士通欧洲研究有限公司）
在最近几年，已经有越来越多的研究兴趣，利用特定应用的硬件来解决优化问题。使用专用硬件的求解器的例子是IBM的Quantum System One和D-wave的Quantum Annealer（QA）和Fujitsu的Digital Annealer（DA）。这些求解器的开发是为了比在通用机器上实现的传统元算法更快地优化问题。以前的研究表明，这些求解器可以比精确求解器（如GUROBI和CPLEX）更快地优化许多问题。这样的结论还没有作出比较时，硬件求解器与经典的进化算法。传统的进化算法，如遗传算法（GA），和DA（或其他类似的求解器）之间进行公平的比较是具有挑战性的，因为后者受益于使用专用硬件，而进化算法往往是在通用机器上实现。此外，量子或量子启发的求解器仅限于以特定格式解决问题。二次无约束二进制优化（QUBO）。然而，许多优化问题是受约束的，并且具有非二进制的自然表示。将这样的问题转换为QUBO可能导致更多的问题难度和/或更大的搜索空间。在本文中解决的问题是量子或量子启发的求解器是否可以优化QUBO变换的组合优化问题的速度比经典的进化算法应用于相同的问题，在其自然表示。我们发现，DA往往提出更好的平均目标函数值比GA旅行推销员，二次分配和多维背包问题的实例。
2022-11-10 cs.AI cs.NE
Evolutionary Optimization for Decision Making under Uncertainty
在不确定性下优化决策问题可以使用多种解决方法。软计算和启发式方法往往是强大的解决这些问题。在这篇综述文章中，我们将概述用于解决随机规划问题的进化优化技术-包括单阶段和多阶段情况。
2014-01-19 cs.NE
Cheating for Problem Solving: A Genetic Algorithm with Social Interactions
Complutense University of Madrid（马德里康普顿斯大学）；University of Nottingham（诺丁汉大学）
我们提出了一个标准的遗传算法，结合人口中的个人之间的社会互动的变化。我们的目标是了解社会系统的进化作用及其作为进化算法中的非遗传新步骤的可能应用。在生物种群中，即动物，甚至人类和微生物，社会互动往往会影响个体的健康。可以想象的是，通过社会互动的适应度扰动是一种进化策略，以避免陷入局部最优，从而避免人口的快速收敛。我们根据博弈论对社会互动进行建模。因此，种群由合作者和背叛者组成，他们的相互作用根据众所周知的博弈模型（囚徒困境，小鸡博弈等）产生收益。我们的背包问题的结果表明，对于一些游戏模型，一个显着的性能改善相比，标准的遗传算法。
2010-01-12 cs.AI cs.GT cs.NE
3-SAT Problem A New Memetic-PSO Algorithm
EMU University（东地中海大学）
3-SAT问题在许多科学和技术应用中具有重要意义。本文提出了一种新的混合进化算法来解决这个可满足性问题。3-SAT问题具有巨大的搜索空间，因此被称为NP难问题。因此，确定性方法不适用于这种情况。因此，应用进化处理方法，特别是粒子群算法，将是解决这类问题的有效方法。本文介绍了一种新的进化优化技术，基于粒子群算法，Memetic算法和局部搜索方法。当一些竞争力混合时，它们的优势也被收集起来，我们可以达到更好的结果。最后，我们测试我们提出的算法在一些基准使用的一些其他可用的算法。实验结果表明，该方法在适当的时间内可以得到较好的结果。与现有的纯遗传算法和一些经过验证的算法相比，取得了较好的效果
2013-06-21 cs.AI cs.NE
A New Distributed Evolutionary Computation Technique for Multi-Objective Optimization
多目标优化问题的求解是当前研究的一个重要课题。进化策略有助于有效和快速地解决这些现实世界的问题。但序列进化算法需要大量的计算能力来解决此类问题，并且需要花费大量的时间来解决大型问题。为了提高求解这类问题的性能，本文提出了一种新的分布式多目标进化策略算法。建议DNESA适用于分治的方法来分解人口成更小的子群体，并涉及多个解决方案的合作子群体的形式。在DNESA中，服务器将总的计算负载分配给所有关联的客户端，仿真结果表明，解决大型问题的时间比顺序进化算法少得多。同时，DNESA算法在收敛性测试中的性能也优于其他三种著名的进化算法。
2013-04-09 cs.NE
Analysis of Solution Quality of a Multiobjective Optimization-based Evolutionary Algorithm for Knapsack Problem
多目标优化被认为是进化优化中处理约束优化问题最有前途的方法之一。本文对求解0-1背包问题的多目标优化进化算法进行了理论研究。该算法考虑了两种初始化方法：局部搜索初始化和贪婪搜索初始化。然后从逼近比的角度分析了算法的解质量。
2015-02-12 cs.NE
Solving Linear Equations by Classical Jacobi-SR Based Hybrid Evolutionary Algorithm with Uniform Adaptation Technique
Khulna University of Engineering and Technology（库尔纳工程与技术大学）
提出一种结合均匀自适应进化计算和经典Jacobi-SR技术的混合算法，用于高效求解线性方程组，并证明其收敛性和适应性，实验表明该算法在收敛速度和有效性上优于基于Gauss-Seidel-SR的混合算法及经典方法。
2013-04-08 cs.NA cs.NE math.NA
Phylogeny-Informed Interaction Estimation Accelerates Co-Evolutionary Learning
本文提出基于系统发育信息的交互估计方法，利用运行时系统发育分析估计个体间交互结果，在三个协同进化系统中验证其可显著降低计算成本并加速开放域神经复杂性进化。
2024-04-09 cs.NE
Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization
针对约束多目标优化中进化算法收敛慢的问题，提出通过定制提示工程微调LLM并将其作为搜索算子生成优质解，实验表明可显著提升收敛速度且性能优于前沿进化算法。
2024-05-09 cs.NE
A Parallel Divide-and-Conquer based Evolutionary Algorithm for Large-scale Optimization
本文提出一种基于并行分治策略的进化算法，通过同时求解子问题兼顾解质量与并行计算效率，解决了现有方法在并行计算方案下需牺牲解质量的问题。
2018-12-06 cs.NE
Socio-cognitive Optimization of Time-delay Control Problems using Evolutionary Metaheuristics
AGH University of Science and Technology（AGH科技大学）；Tomas Bata University in Zlín（兹林托马斯·巴塔大学）
元优化算法是一种通用的优化算法，可以用来解决经典方法无法解决的难题。在本文中，我们的目的是构建新的社会认知元启发式的基础上种姓，并应用该算法的几个版本的时滞系统模型的优化。除了给出所提出的算法的背景和细节，我们将它们应用到优化的问题的选定的变体，并讨论结果。
2022-10-23 cs.AI cs.NE
The application of Evolutionary and Nature Inspired Algorithms in Data Science and Data Analytics
University of Georgia（佐治亚大学）；Florida International University（佛罗里达国际大学）
在过去的30年里，科学家们一直在探索自然，包括动物和昆虫，以及生物学，以发现，理解和模拟解决大规模科学挑战的解决方案。仿生学的研究揭示了自然界中发现的生物结构和功能如何改善了我们的现代技术。在这项研究中，我们提出了我们在数据科学和数据分析中的进化和自然启发算法应用的发现，涉及预处理，监督算法和无监督算法三个主要主题。在所有应用中，在这项研究中，我们的目标是研究四种优化算法，这些算法是在数据科学和分析中使用进化和自然启发算法执行的。预处理部分的特征选择优化，有监督算法中的超参数整定优化和知识发现优化，无监督算法中的聚类优化。
2022-02-06 cs.AI cs.NE
MODRL/D-EL: Multiobjective Deep Reinforcement Learning with Evolutionary Learning for Multiobjective Optimization
Sun Yat-sen University（中山大学）；Guangdong University of Finance and Economics（广东财经大学）
基于学习的算法求解组合优化问题近年来引起了学术界的广泛关注。虽然大多数现有的作品只考虑单目标问题与简单的约束，许多现实世界的问题有多目标的角度和包含丰富的约束条件。针对带时间窗的多目标车辆路径问题（MO-VRPTW），提出了一种多目标深度强化学习与进化学习算法相结合的方法。在该算法中，分解策略被应用到生成一组注意力模型的子问题。全面的上下文信息的引入，以进一步加强注意力模型。进化学习也被用来微调模型的参数。在MO-VRPTW实例上的实验结果证明了该算法相对于其他基于学习和迭代的方法的优越性。
2021-07-16 cs.AI cs.NE
AdaptiveMDL-GenClust: A Robust Clustering Framework Integrating Normalized Mutual Information and Evolutionary Algorithms
Azad University（阿扎德大学）
针对单一聚类方法存在局限、难以适配多样数据集的问题，提出融合MDL原理与遗传算法的AdaptiveMDL-GenClust鲁棒聚类框架，经13个基准数据集验证，其准确率、稳定性等指标均优于传统方法。
2024-12-12 cs.LG cs.NE
Evolutionary Dynamic Multi-objective Optimization Via Regression Transfer Learning
动态多目标优化问题（DMOP）由于目标函数随时间变化而相互冲突，一直是一个有待解决的难题。近年来，迁移学习被证明是解决DMOP问题的一种有效方法。本文提出了一种新的基于迁移学习的动态多目标优化算法--基于回归迁移学习预测的动态多目标优化算法（RTLP-DMOA）。该算法的目标是产生一个优秀的初始种群，以加速进化过程，提高求解DMOP的进化性能。当检测到环境变化时，通过重用历史种群构建回归迁移学习预测模型，可以预测目标值。然后，在该预测模型的辅助下，选取一些具有较好预测目标值的高质量解作为初始种群，从而提高进化过程的性能。我们比较所提出的算法与三个国家的最先进的算法的基准函数。实验结果表明，该算法能显著提高静态多目标优化算法的性能，在收敛性和多样性方面具有较强的竞争力。
2019-10-22 cs.NE
Integrating Fuzzy and Ant Colony System for Fuzzy Vehicle Routing Problem with Time Windows
Maharishi Markandeswar University（玛哈日希·马尔坎德什瓦尔大学）
本文研究了行程时间不确定的模糊VRPTW问题。可信度理论是用来模拟的问题，并指定一个偏好指数，在该指数下，它是希望的旅行时间，以达到客户落入他们的时间窗口。我们提出了基于模糊和蚁群系统的进化算法来解决这个问题，同时保持约束。计算结果的某些基准问题具有短和长的时间范围，以显示该算法的有效性。不同的偏好指数之间的比较已经获得，以帮助用户在作出适当的决定。
2014-11-14 cs.AI cs.CE cs.NE
Runtime Analysis of Evolutionary Algorithms for Multi-party Multi-objective Optimization
School of Artificial Intelligence, Nanjing University of Information Science and Technology（人工智能学院，南京信息工程大学）；Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies, Institute of Cyberspace Security, School of Computer Science and Technology, Harbin Institute of Technology（新型安全智能技术广东省重点实验室，网络空间安全学院，计算机科学与技术学院，哈尔滨工业大学）
本文首次对进化算法在双方多目标优化问题上的期望运行时进行理论分析，指出传统多目标算法的不足，并提出在多方间维持共同解集的EMPMO算法，显著提升了求解伪布尔和最短路径问题的效率与精度。
2025-11-03 cs.AI cs.NE
Algorithm Discovery With LLMs: Evolutionary Search Meets Reinforcement Learning
EPFL（苏黎世联邦理工学院）；Apple（苹果公司）
提出通过强化学习微调持续优化大语言模型，结合进化搜索加速发现更优算法，在组合优化任务上验证有效性。
2025-08-04 cs.AI cs.LG cs.NE
Evolutionary Algorithms for Reinforcement Learning
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）；Naval Research Laboratory（美国海军研究实验室）；George Mason University（乔治梅森大学）
有两种不同的方法来解决强化学习问题，即在价值函数空间中搜索和在策略空间中搜索。时间差分方法和进化算法是这些方法的众所周知的例子。Kaelbling，Littman和Moore最近提供了一个翔实的调查时间差异的方法。这篇文章的重点是应用进化算法的强化学习问题，强调替代政策表示，信用分配方法，和特定问题的遗传算子。强化学习的进化方法的优点和缺点，以及代表性的应用调查。
2011-06-01 cs.AI cs.LG cs.NE
Push and Pull Search Embedded in an M2M Framework for Solving Constrained Multi-objective Optimization Problems
在求解约束多目标优化问题时，多目标进化算法的一个关键问题是如何平衡工作种群的收敛性和多样性。
2019-06-02 cs.NE
For Solving Linear Equations Recombination is a Needless Operation in Time-Variant Adaptive Hybrid Algorithms
本文提出两种改进的混合进化算法，不含重组操作，用于求解大规模线性方程组，实验表明其计算效率更高且更易实现。
2013-04-09 cs.NA cs.NE math.NA
Balancing Common Treatment and Epidemic Control in Medical Procurement during COVID-19: Transform-and-Divide Evolutionary Optimization
在COVID-19等疫情期间，平衡常见疾病治疗和疫情控制是医院医疗物资采购的关键目标。该问题可以转化为一个双目标优化问题，同时优化常见疾病治疗和流行病控制的效果。然而，由于大量的供应，难以评估的效果，严格的预算约束，它是困难的，现有的进化多目标算法，有效地逼近问题的Pareto前沿。在本文中，我们提出了一种方法，首先将原来的高维，约束多目标优化问题转化为一个低维，无约束多目标优化问题，然后评估每个解决方案的转换问题，通过解决一组简单的单目标优化子问题，这样的问题可以有效地解决现有的进化多目标算法。我们在2019冠状病毒病高峰期间将转换和划分进化优化方法应用于中国浙江省的六家医院。结果表明，该方法具有显着优于直接解决原始问题的性能。我们的研究也表明，基于问题特定知识的转换和划分进化优化可以是一个有效的解决方案，许多其他复杂的问题，因此，扩大了进化算法的应用领域。
2020-08-02 cs.NE
New Approach for Solving The Clustered Shortest-Path Tree Problem Based on Reducing The Search Space of Evolutionary Algorithm
随着制造业和服务业的发展，分销网络优化问题日益受到重视，因而受到研究界的广泛关注。最近引入的网络优化问题之一是最短路径树问题（CluSTP）。由于该问题是NP-Hard问题，最近的方法往往倾向于使用近似算法来解决它，其中一些使用进化算法（EA），并已被证明是有效的。然而，以往的研究大多直接将进化算法应用于整个集群STP问题，这会导致大量的资源消耗，尤其是当问题规模较大时。为了克服这些局限性，本文提出了一种方法，用于减少搜索空间的EA应用到CluSTP分解成两个子问题，其中一个的解决方案是由EA和其他被发现的另一种方法。第一个子问题的目标是确定一个连接簇之间的生成树，而第二子问题的目标是确定每个簇的最佳生成树。此外，本文提出了一种新的进化算法，它可以应用于解决第一个子问题，并建议使用Dijkstra的算法来解决第二子问题。所提出的方法进行了全面的实验，并与现有的方法进行比较。实验结果表明，该方法具有较高的效率，更重要的是，可以得到接近最优解的结果。
2019-06-10 cs.NE
A Weight-coded Evolutionary Algorithm for the Multidimensional Knapsack Problem
提出了一种求解多维背包问题的改进权值编码进化算法（RWCEA）。该RWCEA使用了一种新的解码方法，并在初始化中采用了一种探试法。计算结果表明，RWCEA的性能优于Raidl（1999）提出的权重编码的进化算法和一些现有的基准，它可以产生更好的结果比在OR库中报告的。
2015-04-01 cs.NE math.OC
Discovering Physics-Informed Neural Networks Model for Solving Partial Differential Equations through Evolutionary Computation
National Engineering Laboratory for Big Data Analysis and Applications, Peking University（北京大学大数据分析与应用国家工程实验室）；School of Mathematical Sciences, Peking University（北京大学数学科学学院）；PKU-Changsha Institute for Computing and Digital Economy（北京大学长沙计算与数字经济研究院）
本文提出进化计算方法自动搜索PINNs结构，同时优化层数、神经元、捷径连接和二叉树参数化激活函数，并以DPSTE策略提升模型探索效率，在多个PDE上取得更优精度、收敛性与泛化表现。
2024-05-18 cs.LG cs.NE
A Theoretical Assessment of Solution Quality in Evolutionary Algorithms for the Knapsack Problem
进化算法非常适合解决背包问题。一些实证研究声称，进化算法可以产生很好的解决方案的0 - 1背包问题。尽管如此，很少有严格的调查解决方案的质量，进化算法可能产生的背包问题。目前的论文集中在三种类型的（N +1）进化算法，利用逐位变异，截断选择，加上不同的修复方法的0 - 1背包问题的理论研究。它根据近似比来评估解的质量。我们的工作表明，纯策略和混合策略进化算法产生的解决方案是任意坏的。然而，使用辅助目标的进化算法可以产生0 - 1背包问题的1/2近似解。
2014-04-14 cs.NE
Enhanced Multiobjective Evolutionary Algorithm based on Decomposition for Solving the Unit Commitment Problem
机组组合（UC）问题是一个非线性、高维、高约束、混合整数的电力系统优化问题，文献中一般以系统运行成本最小为唯一目标进行求解。然而，由于越来越多的环境问题，最近的注意力已经转移到将排放的问题制定。本文提出了一种基于分解的多目标进化算法（MOEA/D），将UC问题作为一个以费用和排放最小化为多目标的多目标优化问题进行求解。由于UC问题是一个由二元UC变量和连续电力调度变量组成的混合整数优化问题，因此在MOEA/D框架下提出了一种新的混合策略，即遗传算法（GA）对二元变量进行进化，而差分进化（DE）对连续变量进行进化。进一步，提出了一种新的非均匀权值向量分布策略，并实现了基于MOEA/D与均匀和非均匀权值向量分布策略相结合的并行岛模型，以提高所提出算法的性能。在不同的测试系统上进行了大量的案例研究，并通过严格的仿真结果验证了所提出的混合策略，非均匀权重向量分布策略和并行岛模型的有效性。此外，详尽的基准对文献中提出的算法，以证明该算法在获得更好的收敛和均匀分布的权衡解决方案的优越性。
2014-10-23 cs.NE
A Cuckoo Quantum Evolutionary Algorithm for the Graph Coloring Problem
基于量子进化算法框架，提出了一种求解图着色问题的布谷鸟量子进化算法。为了减少色数搜索的迭代次数，初始量子种群由遗传辅助的随机初始化产生。此外，通过引入布谷鸟搜索策略，改进了算法的全局搜索能力，并引入了局部搜索和扰动策略，以提高算法在控制点上的性能。数值结果表明，CQEA具有很强的探索和开发能力，与现有的启发式算法相比具有很强的竞争力。
2021-08-19 cs.NE
An Evolutionary Framework for Automatic and Guided Discovery of Algorithms
Intel Corporation（英特尔公司）
本文介绍了自动算法发现器（AAD），一个进化的框架，综合程序的高复杂性。为了指导进化，以前的进化算法依赖于适应度（目标）函数，这是具有挑战性的设计。相反，为了取得进化的进展，AAD采用了问题导向进化（PGE），这需要同时引入一组问题。使用PGE，为简单问题发现的解决方案用于解决同一组中更复杂的问题。PGE还支持几种新的进化策略，并自然地屈服于高性能计算（HPC）技术。我们发现，PGE和相关的进化策略，使AAD发现类似或更高的复杂性相对于国家的最先进的算法。具体来说，AAD产生Python代码的29数组/向量的问题，从最小，最大，反向，更具有挑战性的问题，如排序和矩阵向量乘法。此外，我们发现，AAD显示出适应性约束的环境/输入，并展示了开箱即用的解决问题的能力。
2019-04-05 cs.AI cs.NE cs.PL
A Quantum-Driven Evolutionary Framework for Solving High-Dimensional Sharpe Ratio Portfolio Optimization
College of Artificial Intelligence, Nankai University（南开大学人工智能学院）；Department of Electronics and Computer Science, Koszalin University of Technology（科沙林理工大学电子与计算机科学系）；Hanyang University ERICA Campus（汉阳大学ERICA校区）
本文提出一种量子混合差分进化算法，通过引入动态量子隧道机制和良好点集混沌反向学习策略，提升高维投资组合优化的收敛速度和求解精度。
2026-04-03 cs.NE
Meme as Building Block for Evolutionary Optimization of Problem Instances
在文献中，进化优化的一个显着不足的探索领域是可以随着问题的解决而进化的优化方法的研究。特别是，目前的进化优化方法通常从头开始搜索或从零开始的知识状态，独立于给定的新的感兴趣的问题是如何类似于那些以前优化。因此，显然缺乏跨问题的自动知识转移和重用。以此为线索，本文介绍了一种新的模因计算范式的搜索，一个模型后，人类如何解决问题，并开始对智能进化优化问题的研究，通过转移的结构化知识的形式模因从以前的解决问题的经验，以提高未来的进化搜索。模因搜索范式由模因学习、模因选择、模因变异和模因模仿四个文化启发算子组成。学习算子从过去解决问题的经验中挖掘潜在结构形式的模因。选择算子识别在问题间复制和传播的适合模因，而变异算子将创新引入模因。另一方面，模仿算子定义了合适的模因如何同化到新遇到的问题的搜索过程中，从而实现高效和有效的进化优化。最后，全面研究两个广泛研究的挑战性以及建立NP难路由问题域，特别是，有能力的车辆路由（CVR）和有能力的弧路由（CAR），证实了高效率的智能进化优化问题的模因计算搜索范式。
2012-07-03 cs.NE
