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
Clustering-Based Subset Selection in Evolutionary Multiobjective Optimization
子集选择是进化多目标优化算法的重要组成部分。聚类作为一种经典的将相似的数据点进行分组的方法，已经在一些领域中被用于子集选择。然而，基于聚类的方法还没有进行评估的上下文中的子集选择从EMO算法获得的解决方案集。本文首先回顾了一些经典的聚类算法。我们还指出，另一种流行的子集选择方法，即，基于逆世代距离（IGD）的子集选择可以被视为聚类。然后，我们进行了全面的实验研究，以评估各种聚类算法在不同情况下的性能。实验结果进行了详细的分析，并得出了一些建议，使用聚类算法的子集选择。此外，我们证明了决策者的偏好可以引入到基于聚类的子集选择。
2021-08-29 cs.NE
Maximizing Submodular or Monotone Functions under Partition Matroid Constraints by Multi-objective Evolutionary Algorithms
The University of Adelaide（阿德莱德大学）
许多重要的问题都可以看作是在一定的约束条件下极大化子模函数的问题。一个简单的多目标进化算法称为GSEMO已被证明是实现良好的近似次模函数有效。虽然已经有很多关于这个问题的研究，大多数现有的运行时分析GSEMO假设一个单一的基数约束。在这项工作中，我们将理论结果推广到分区拟阵约束，推广基数约束，并表明GSEMO一般可以保证良好的近似性能多项式预期的运行时间。此外，我们进行了实验比较与基线贪心算法在最大化无向图割随机图，在各种分区拟阵的约束。结果表明，GSEMO在二次运行时间上的性能优于GREEDY。
2020-09-08 cs.LG cs.NE
Migrant Resettlement by Evolutionary Multi-objective Optimization
本文提出基于进化多目标优化的移民安置框架 MR-EMO，将就业人数最大化与派遣人数最小化建模为双目标问题，并引入 GSEMO-SR，理论与实验均证明其优于贪心方法。
2024-09-08 cs.NE
Quantum-Inspired Evolutionary Algorithms for Feature Subset Selection: A Comprehensive Survey
本文全面综述了用于解决特征子集选择问题的量子启发式进化算法，分析了56篇相关文献中的新颖元素、启发式类型、目标函数及量子门，并提出了未来的开放性研究问题。
2024-07-25 cs.NE
Code World Models for Parameter Control in Evolutionary Algorithms
ICN2 -- Catalan Institute of Nanoscience；Nanotechnology, Barcelona, Spain Artificial Intelligence Research Institute (IIIA-CSIC), Barcelona, Spain Universitat Polit\` e cnica de Catalunya (UPC), Barcelona, Spain
本文提出利用代码世界模型进行进化算法参数控制，通过模拟器实现高效突变强度选择，在多个基准测试中表现出色。
2026-02-25 cs.LG cs.NE
Peptide Vaccine Design by Evolutionary Multi-Objective Optimization
本文提出基于进化多目标优化的框架 PVD-EMO，将肽疫苗设计建模为同时最大化肽-MHC结合数并最小化所选肽数的双目标问题，并结合热启动与修复策略，在COVID-19疫苗设计实验中优于贪心算法。
2024-06-09 cs.NE q-bio.BM
Scalable Feature Subset Selection for Big Data using Parallel Hybrid Evolutionary Algorithm based Wrapper in Apache Spark
由于大数据集的出现，应用当前的顺序包装器为基础的特征子集选择（FSS）算法增加了复杂度。这种限制促使我们提出了一个包装器的特征子集选择（FSS）的基础上，并行和分布式混合进化算法（EA）在Apache Spark环境下。混合进化算法是基于BDE和二进制阈值接受（BTA），一个基于点的EA，这是调用，以提高搜索能力，避免过早收敛的PB-DE。因此，我们设计了混合变体（i）并行二进制差分进化和阈值接受（PB-DETA），其中DE和TA在每次迭代中协同工作，以及（ii）并行二进制阈值接受和差分进化（PB-TADE），其中TA和DE在Apache Spark环境下的每次迭代中协同工作。PB-DETA和PB-TADE均与基线进行比较，即，二进制差分进化（PB-DE）的并行版本。所有三种方法都使用逻辑回归（LR）来计算适应度函数，即ROC曲线下面积（AUC）。所提出的算法的有效性进行了测试，在不同的特征空间维度的五个大的数据集，从网络安全和生物领域。值得注意的是，与PB-DE和PB-DETA相比，PB-TADE具有统计学显著性。我们报告了加速分析，最重复的特征子集，具有高AUC和最小基数的特征子集获得的平均AUC。
2022-01-25 cs.NE
Selecting for Selection: Learning To Balance Adaptive and Diversifying Pressures in Evolutionary Search
受自然进化的启发，进化搜索算法已被证明是非常有能力的，因为它们具有通过不同种群进行辐射式探索和收敛到适应压力的双重能力。这种行为的很大一部分来自进化算法的选择功能，这是决定哪些个体存活到下一代的度量。在欺骗性或难以搜索的适应度景观中，贪婪选择往往会失败，因此选择函数在梯度利用适应和探索性多样化之间取得正确的平衡至关重要。本文介绍了Sel4Sel，或选择选择，一种算法，通过元进化循环搜索高性能的基于神经网络的选择功能。在三个不同的比特串域上的结果表明，Sel4Sel网络始终匹配或超过基于适应度的选择和明确旨在鼓励多样性的基准的性能。对最强Sel4Sel网络的分析揭示了一种普遍的趋势，即在早期倾向于高度新颖的个体，随着欺骗性的局部最优被绕过，逐渐转向基于适应度的选择。
2021-06-16 cs.NE
Pareto Optimization with Robust Evaluation for Noisy Subset Selection
Nanjing University（南京大学）；Nari Technology Co., Ltd.（南瑞集团有限公司）
本文提出PORE算法，通过最大化鲁棒评估函数和最小化子集规模解决噪声子集选择问题，实验表明其在影响最大化和稀疏回归任务中优于传统方法。
2026-04-21 cs.NE
Evolutionary Optimization for Proactive and Dynamic Computing Resource Allocation in Open Radio Access Network
在开放无线接入网（O-RAN）中，为了节省计算资源、提高计算资源利用率、降低时延，迫切需要采用智能技术来实现计算资源的自动分配。然而，现有的问题公式来解决这个资源分配问题是不合适的，因为它定义的能力利用率的资源在一个不适当的方式，往往会导致很大的延迟。此外，现有的问题只试图解决基于贪婪搜索，这是不理想的，因为它可能陷入局部最优。考虑到这些，提出了一个新的配方，更好地描述了这个问题。此外，作为一个著名的全球搜索Meta启发式方法，进化算法（EA）的设计量身定制的解决新的问题制定，找到一个资源分配计划，主动和动态地部署计算资源，以处理即将到来的交通数据。在多个真实数据集和新生成的具有更多属性的人工数据集上进行的实验研究表明，在不同的参数设置下，该算法明显优于基线贪心算法.此外，实验研究采取了建议EA和两个变种，以表明不同的算法选择的影响。
2022-01-12 cs.NE cs.NI
Evolutionary Algorithms for Optimizing Emergency Exit Placement in Indoor Environments
本文提出用元胞自动机模拟疏散，并设计迭代贪婪与进化算法优化室内紧急出口布置，其中岛屿式进化算法解质量最优。
2024-05-28 cs.NE
The multi-objective optimisation of breakwaters using evolutionary approach
在工程实践中，往往需要提高现有港口和海岸防护建筑的有效性（即。e.防波堤），因为现有的配置不提供适当的环境条件。该扩展任务可以被认为是一个优化问题。本文提出了防波堤优化的多目标进化方法。此外，一个贪婪的启发式算法的实现和包括，允许实现适当的解决方案更快。识别附加防波堤的最佳变体，提供了安全的船舶停泊和操纵在大黑海索契港的任务已被用作一个案例研究。实验结果表明，所提出的多目标进化方法在现实世界的工程问题中应用的可能性。它允许识别可能的配置的帕累托最优集，决策者可以分析并用于最终构建
2021-09-08 cs.NE
Solution Subset Selection for Final Decision Making in Evolutionary Multi-Objective Optimization
Southern University of Science and Technology（南方科技大学）
一般来说，多目标优化问题并不只有一个最优解，而是有一组Pareto最优解，它们在目标空间中形成Pareto前沿。已经提出了各种进化算法来近似帕累托前沿使用预先指定的解决方案的数量。通过一次运行可获得数百种解决方案。从获得的解决方案中选择一个最终的解决方案被认为是由人类决策者完成的。然而，在许多情况下，决策者不想检查数百个解决方案。因此，需要选择所获得的解决方案的一个小子集。在本文中，我们讨论的子集选择的观点，最终决策。首先，我们简要介绍现有的子集选择研究。接下来，我们制定一个预期的损失函数的子集选择。我们还表明，制定的功能是相同的IGD加指标。然后，我们报告的实验结果，所提出的方法与其他基于指标的子集选择方法进行了比较。
2020-06-15 cs.AI cs.NE
Pareto Optimization for Subset Selection with Dynamic Partition Matroid Constraints
在本研究中，我们考虑了在分割拟阵约束下的次模或单调离散目标函数的子集选择问题，其中阈值是动态的。我们专注于POMC，一个简单的帕累托优化方法，已被证明是有效的，这样的问题。我们的分析从奇异约束问题出发，并扩展到多个约束的问题。我们表明，以前的结果POMC的性能也适用于多个约束。对随机无向最大割问题的实验研究表明，POMC算法与经典的带重启策略的贪心算法相比具有很强的竞争力。
2020-12-16 cs.NE
Benchmarking Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization
Southern University of Science and Technology（南方科技大学）
在进化多目标优化（EMO）领域，标准的做法是将EMO算法的最终种群作为输出。然而，它已被证明，最终的人口往往包括解决方案占主导地位的其他解决方案产生和丢弃在前几代。最近，一个新的EMO框架已被提出来解决这个问题，通过存储所有的非支配的解决方案在进化过程中产生的存档，并选择一个子集的解决方案从存档作为输出。在这个框架中的关键组成部分是从通常存储了大量的候选解决方案的档案子集的选择。然而，大多数子集选择的研究集中在小的候选解决方案集的环境选择。没有用于大规模子集选择的基准测试套件。本文旨在填补这一研究空白，提出了一个基准测试套件的子集选择从大的候选解决方案集，并比较了一些代表性的方法使用建议的测试套件。建议的测试套件连同基准研究提供了一个基线，研究人员理解，使用，比较，并开发子集选择方法在EMO领域。
2022-03-29 cs.AI cs.NE
Fast Estimations of Hitting Time of Elitist Evolutionary Algorithms from Fitness Levels
Nottingham Trent University（诺丁汉特伦特大学）；Southern University of Science and Technology（南方科技大学）；Lingnan University（岭南大学）
本文提出一种新的子集水平方法，用于更准确地估计精英进化算法在非水平适应度函数上的平均击中时间下限，通过漂移分析改进传统方法。
2026-03-14 cs.NE
On the approximation ability of evolutionary optimization with application to minimum set cover
进化算法（Evolutionary Algorithms，EAs）是一种受自然进化启发的启发式算法。在实践中，它们经常被用来获得满意的解。在本文中，我们研究了一个在很大程度上未被探索的问题：在如何接近的解决方案是一个最佳的解决方案方面的EAs的近似性能。我们研究了EA框架命名为简单EA与孤立的人口（SEIP），可以实现为一个单一的或多目标EA。我们分析了SEIP的近似性能，使用部分比率，它表征的近似比，可以保证。具体来说，我们分析SEIP使用一个集覆盖问题，这是NP难的。我们发现，在一个简单的配置，SEIP有效地实现了$H_n$ -逼近比，渐近下限，无界集覆盖问题。我们还发现，SEIP有效地实现了$(H_k-\frac{k-1}/{8k^9})$ -近似比，目前最好的实现结果，为k-集覆盖问题。此外，对于一个实例类的k-集覆盖问题，我们揭示了如何SEIP，使用一位或逐位变异，可以克服困难，限制了贪心算法。
2012-01-08 cs.NE
Optimizing Monotone Chance-Constrained Submodular Functions Using Evolutionary Multi-Objective Algorithms
The University of Adelaide（阿德莱德大学）；School of Computer and Mathematical Sciences（计算机与数学科学学院）；Optimisation and Logistics（优化与物流（机构））
该研究首次分析了基于帕累托优化的进化多目标算法求解机会约束子模函数的运行时间，证明GSEMO在特定条件下可达到与贪心算法相当的性能保证，并通过实验验证进化多目标算法在相关网络问题上性能显著优于现有贪心算法。
2024-11-01 cs.LG cs.NE
Estimate Hitting Time by Hitting Probability for Elitist Evolutionary Algorithms
Nottingham Trent University（诺丁汉特伦特大学）；Southern University of Science and Technology（南方科技大学）；University of Nottingham Ningbo China（诺丁汉大学宁波校区）；Lingnan University（岭南大学）
本文提出通过击中概率的漂移分析方法，用于估计精英进化算法的击中时间，通过引入路径处理多模态适应度景观，简化了击中概率的计算并比较了两种算法的性能。
2026-03-02 cs.NE
Drift Analysis and Evolutionary Algorithms Revisited
最简单的随机化贪婪优化算法之一是下面的进化算法，其目的是最大化布尔函数$f:\{0,1\}^n \to {\mathbb R}$。该算法从随机搜索点$ξ\in \{0,1\}^n$开始，并且在每一轮中，它以概率$c/n$独立地随机翻转$ξ$的每一位，其中$c>0$是固定常数。当且仅当$f(ξ') \ge f(ξ)$时，由此创建的后代$ξ'$替换$ξ$。这个简单的算法在单调和线性函数上的运行时间的分析证明是非常重要的。在本文中，我们回顾已知的结果，并提供新的和自包含的部分更强的结果的证明。
2017-11-15 cs.NE math.CO math.PR
Selecting Miners within Blockchain-based Systems Using Evolutionary Algorithms for Energy Optimisation
在本文中，我们将在基于区块链的系统中选择矿工的问题表示为子集选择问题。我们将最小化区块链能耗的问题表述为具有两个相互冲突的目标的优化问题：能耗和信任。该模型在不同的算法进行比较，以证明其性能。
2021-06-06 cs.NE
Pareto Optimization for Subset Selection with Dynamic Cost Constraints
我们考虑函数$f$的子集选择问题，约束界$B$随时间变化。在子模块优化领域内，通常使用各种贪婪方法。对于动态环境，我们观察到这些贪婪方法的自适应变体无法保持其近似质量。调查最近推出的POMC帕累托优化方法，我们表明，该算法有效地计算一个$ϕ= (α_f/2)(1-\frac{1}{e^{α_f}})$ -近似，其中$α_f$是$f$的子模块比，为每个可能的约束范围$b \leq B$。此外，我们表明，POMC是能够适应它的解决方案迅速的情况下，$B$增加。在社交网络中的影响力最大化问题的实验研究表明，POMC算法优于广义贪心算法。我们还考虑EAMC，一个新的进化算法与多项式期望时间保证保持$ϕ$近似比，和NSGA-II两个不同的人口规模的先进的多目标优化算法，以证明他们的挑战，在优化最大覆盖问题。我们的实证分析表明，在相同数量的评估，POMC是能够执行良好的线性约束下的NSGA-II，而EAMC表现明显不如所有考虑的算法在大多数情况下。
2021-10-10 cs.DS cs.NE
Evolutionary algorithms for constructing an ensemble of decision trees
Yandex；National Research University Higher School of Economics（俄罗斯国立高等经济研究大学）
大多数决策树归纳算法是基于一个贪婪的自顶向下递归划分策略的树生长。本文提出了几种基于进化算法的决策树及其集成的归纳方法。我们的方法的主要区别是使用实值向量表示的决策树，允许使用大量不同的优化算法，以及优化整个树或集成，以避免局部最优。选择差分进化和演化策略作为优化算法，因为它们在强化学习问题中具有良好的效果。我们使用几个公开的UCI数据集测试了这些方法的预测性能，所提出的方法表现出比经典方法更好的质量。
2020-02-03 cs.LG cs.NE stat.ML
An evolutionary solver for linear integer programming
Riken Brain Science Institute（理化学研究所脑科学研究所）
本文介绍一种求解线性整数规划的进化算法。该策略是基于分离成整数子集和连续子集的变量;整数变量是固定的进化系统，和连续的功能，他们确定的线性规划求解器。我们报告的一些标准的基准问题得到的结果，并将它们与分支定界。进化算法的性能是有前途的。一般都能得到很好的可行解，在一些困难的基准测试中，它的性能优于分支定界法。
2014-07-27 cs.AI cs.NE math.OC
A Theoretical Perspective on Why Stochastic Population Update Needs an Archive in Evolutionary Multi-objective Optimization
本文从理论上证明，在进化多目标优化中，随机种群更新配合存档可减小种群规模并显著降低期望运行时间上界，且(μ+μ)更新模式更适配SPU。
2025-09-25 cs.NE
MOELIGA: a multi-objective evolutionary approach for feature selection with local improvement
Research Institute for Signals, Systems
本文提出MOELIGA，一种结合局部改进策略的多目标进化算法，用于在特征子集大小与分类精度之间取得平衡，通过实验验证其在14个数据集上优于或与现有方法相当的性能。
2026-04-07 cs.LG cs.NE
Result Diversification by Multi-objective Evolutionary Algorithms with Theoretical Guarantees
Nanjing University（南京大学）
给定一个基本的项目集，结果多样化问题的目的是选择一个子集具有高的“质量”和“多样性”，同时满足一些约束。它出现在各种现实世界的人工智能应用中，例如基于Web的搜索、文档摘要和特征选择，并且还在其他领域中有应用，例如，计算几何、数据库、金融和运筹学。以往的算法主要是基于贪婪或局部搜索。在本文中，我们提出将结果多样化问题转化为一个双目标最大化问题，并通过多目标进化算法（EA）来解决它，即，GSEMO我们从理论上证明了GSEMO在静态和动态环境下都能达到（渐近）最优的理论保证。对于基数约束，GSEMO可以实现最佳的多项式时间近似比，$1/2$。对于更一般的拟阵约束，GSEMO可以实现渐近最优的多项式时间近似比$1/2-ε/(4n)$，其中$ε>0$和$n$是基项集的大小。此外，当目标函数（即，质量和多样性的线性组合）动态地改变，GSEMO可以在多项式运行时间内保持该近似比，解决了Borodin提出的公开问题。这也从理论上首次表明了进化算法在求解动态优化问题时优于局部搜索的优越性，并揭示了进化算法的变异算子对动态变化的鲁棒性。在基于web的搜索、多标签特征选择和文档摘要的应用上的实验表明，GSEMO的性能优于最先进的算法（即，贪心算法和局部搜索）。
2022-05-07 cs.CC cs.LG cs.NE
Composing photomosaic images using clustering based evolutionary programming
City University of Hong Kong（香港城市大学）
摄影图像是一种由各种微小图像组成的图像。一个完整的形式可以清楚地看到它从很远的距离。从很短的距离观察，可以清楚地看到取代原始图像块的小的微小图像。在过去，已经提出了许多算法，试图自动合成的photomochemical图像。这些算法大多采用贪心算法来匹配小块图像。为了获得更好的视觉效果和满足某些商业需求，通常会添加一个约束，即一个微小的图像不应该被重复使用多次。在此约束条件下，光优化问题就变成了一个组合优化问题。进化算法模仿自然选择的过程，在组合优化问题中得到了广泛的应用。然而，很少有人将进化算法应用于光成像问题。在本文中，我们提出了一种算法称为聚类进化规划来处理这个问题。我们给优化算法的先验知识，使优化过程收敛更快。在我们的实验中，所提出的算法与最先进的算法和软件进行了比较。结果表明，我们的算法性能最好。
2018-04-09 cs.CV cs.NE
Improving Intelligence of Evolutionary Algorithms Using Experience Share and Replay
Massachusetts Institute of Technology（麻省理工学院）
我们提出了PESA，一种新的方法结合粒子群优化（PSO），演化策略（ES），模拟退火（SA）的混合算法，灵感来自强化学习。PESA通过将它们的解决方案存储在共享重放存储器中来混合这三种算法。接下来，PESA应用优先级重放，根据它们的适应度和优先级值，以频繁的形式在三种算法之间重新分配数据，这显着增强了样本多样性和算法探索。此外，贪婪重放被隐式地使用在SA中，以提高接近进化结束时的PESA利用率。对12个高维连续基准函数的验证显示出PESA对独立ES，PSO和SA的优越性能，在相似的初始起点，超参数和代数下。PESA显示出更好的探索行为，更快的收敛速度，以及找到全局最优解的能力。考虑到有前途的性能，PESA可以提供一个有效的优化选项，特别是在它经过额外的多处理改进来处理复杂和昂贵的健身功能之后。
2020-08-10 cs.LG cs.NE
Evolutionary Soups: Evolving Mixture-of-Experts for Multi-Objective LLM Alignment
Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所FIT）；University of Cologne（科隆大学）；University of Stuttgart（斯图加特大学）；University of Southampton（南安普顿大学）；Soochow University（苏州大学）；University Hospital of Cologne（科隆大学医院）
针对大语言模型多目标对齐需求，提出进化型专家混合框架，通过进化算法训练门控网络，在多任务上实现了优于基线的超体积、线性效用和切比雪夫效用，提升约20%。
2026-09-01 cs.CL cs.LG cs.NE
Ecological Neural Architecture Search
School Of Computer Science；Electronic Engineering Bangor University, Wales Email: 1 , 2
针对进化神经架构搜索中进化超参数需人工调优的问题，提出 Neuvo ENAS，将进化参数纳入候选解表现型共同进化，实验显示其可自动调参并提升搜索速度与分类准确率。
2025-03-13 cs.AI cs.NE
Evolutionary Automata and Deep Evolutionary Computation
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文聚焦进化自动机这一类比模型，指出其相比进化算法能提供更完整的进化计算对偶模型，可直接建模“进化的进化”，具有极强表达能力，还暗示了自然进化通过环境交互反馈实现自我进化的强大力量。
2025-08-25 cs.CL 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
Hybrid Algorithm for Multi-Objective Optimization by Greedy Hypervolume Maximization
University of Campinas (Unicamp)（坎皮纳斯大学（Unicamp））
本文介绍了一种高性能的混合算法，称为混合超体积最大化算法（H2 MA），多目标优化，探索决策空间和利用已经获得的非支配解决方案之间的交替。该提案的核心是最大化超容量指标，从而将多目标问题转化为单目标问题。开发采用基于梯度的方法，但考虑一个单一的候选有效的解决方案，在一个时间，以克服与人口为基础的方法，也可以很容易地控制所提供的解决方案的数量的限制。两个步骤之间有一个互换。第一步是一个确定性的本地探索，赋予一个自动程序来检测停滞。当检测到停滞时，搜索切换到第二步，其特征在于使用进化算法的随机全局探索。使用5个ZDT基准与30个变量，新算法的性能进行比较，国家的最先进的多目标优化算法，更具体地说，NSGA-II，SPEA 2，和SMS-EMOA。H2 MA发现的解决方案指导更高的超体积和更小的距离，真正的帕累托边界显着更少的功能评估，即使是在数值估计的梯度。此外，虽然这里只考虑了连续的决策空间，但也可以处理离散的决策空间，用爬山法代替基于梯度的搜索。最后，提供了一个全面的解释，以支持所取得的表现力的增益。
2015-06-17 cs.AI 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
Diversity Enhancement via Magnitude
促进和保持候选解的多样性是一般进化算法和多目标进化算法的一个关键要求。在本文中，我们使用最近发展的理论的幅度构造梯度流和类似的概念，系统地操纵有限的欧几里得空间的子集，以提高其多样性，并应用的想法服务于多目标进化算法。我们展示了多样性增强基准问题，使用领先的算法，并讨论扩展的框架。
2022-01-25 cs.NE math.OC
Influence Maximization in Hypergraphs using Multi-Objective Evolutionary Algorithms
针对超图场景下的影响最大化问题，首次提出融合智能初始化与超图感知变异的多目标进化算法，经多数据集和传播模型验证，在超体积和解多样性上多数达SOTA水平。
2024-05-16 cs.NE cs.SI
Stochastic Population Update Can Provably Be Helpful in Multi-Objective Evolutionary Algorithms
Nanjing University（南京大学）；University of Birmingham（伯明翰大学）
针对多目标进化算法（MOEAs）种群更新通常为贪婪确定性的问题，本文证明将其替换为随机机制可使SMS-EMOA和NSGA-II求解两个双目标问题的期望运行时间指数级减少，实证亦验证该方法有效性，为MOEAs开发提供新方向。
2025-02-16 cs.AI cs.NE
Multi-objective Evolutionary Algorithms are Generally Good: Maximizing Monotone Submodular Functions over Sequences
Nanjing University（南京大学）；University of Science and Technology of China（中国科学技术大学）；Southern University of Science and Technology（南方科技大学）
进化算法（Evolutionary Algorithms，EA）是一种受自然进化启发的通用优化算法。最近的理论研究表明，进化算法可以实现很好的近似保证解决问题类的子模块优化，其中有广泛的应用，如最大覆盖，稀疏回归，影响力最大化，文档摘要和传感器的放置，仅举几例。虽然他们提供了一些理论解释的通用性质的EA，所考虑的子模块的目标函数只定义在集或多集。为了补充这一研究思路，本文研究了序列上单调次模函数极大化问题类，其中目标函数依赖于项的顺序。证明了对于序列上的每一类单调子模目标函数，前缀单调次模函数、弱单调和强次模函数以及DAG单调次模函数，一个简单的多目标EA，即，GSEMO算法在运行多项式时间后，总是能达到或提高已知的最佳逼近保证。请注意，这些最著名的近似保证只能通过以前的不同贪婪风格的算法来获得。对各种应用的实证研究，例如，完成任务，最大化信息增益，搜索和跟踪和推荐系统，显示了GSEMO的优异性能。
2022-12-16 cs.AI cs.CC cs.NE
