Evolutionary Multi-Objective Algorithms for the Knapsack Problems with Stochastic Profits
进化多目标算法在求解各种随机组合优化问题时已被广泛证明是成功的。机会约束优化在复杂的现实世界场景中发挥着重要作用，因为它允许决策者考虑环境的不确定性。我们考虑一个版本的背包问题的随机利润，以保证一定程度的信心，在利润的解决方案。我们介绍了多目标制定的利润机会约束背包问题，并设计了三个双目标的适应度评价方法，工作独立的特定的置信水平所需的。我们使用著名的多目标进化算法GSEMO和NSGA-II评估我们的方法。此外，我们引入了一个过滤方法GSEMO，提高了最终人口的质量定期删除某些解决方案的临时人口的基础上，他们的置信水平。我们展示了我们的方法的有效性，在两种设置的背包项目有固定的统一的不确定性和不确定性，与项目的预期利润呈正相关的几个基准。
2023-03-03 cs.NE
The Benefit of Sex in Noisy Evolutionary Search
有性重组的益处是群体遗传学和演化计算中最基本的问题之一。人们普遍认为，重组有助于解决困难的优化问题。我们提出的第一个结果，这严格证明了它是有益的，使用性重组在一个不确定的环境中与嘈杂的健身功能。为此，我们模型的性重组与一个简单的估计分布算法称为紧凑的遗传算法（cGA），我们比较与经典的$μ+1$ EA。对于一个简单的噪声适应度函数加性高斯后验噪声$\mathcal{N}(0,σ^2)$，我们证明了突变的唯一$μ+1$ EA通常不能处理噪声在多项式时间足够大的$σ^2$，而cGA运行在多项式时间，只要人口规模不是太小。这表明，在这种不确定的环境中，性重组是可以证明是有益的。我们在一个小型的实证研究中观察到了同样的行为。
2015-02-10 cs.NE
On the Use of Bi-Objective Evolutionary Algorithms for the Stochastic MKP under Dynamic Constraints
Adelaide University（阿德莱德大学）
本文研究了在动态约束下具有机会约束的随机MKP，采用双目标优化方法平衡利润最大化和概率容量满足，对比四种主流多目标进化算法在不同不确定性水平和动态变化下的表现。
2026-04-13 cs.NE
Surrogate-Assisted Partial Order-based Evolutionary Optimisation
在本文中，我们提出了一种新的方法（SAPEO）支持的生存选择过程中的多目标进化算法与代理模型-它动态地选择个体进行评估准确的基础上模型的不确定性和独特的人口。我们引入了在进行生存选择时允许的风险方面不同的变体。在这里，不同SAPEO变体的随时性能与使用BBOB双目标基准的SMS-EMOA一起进行评估。我们比较所获得的结果与性能的定期SMS-EMOA，以及另一个代理人辅助的方法。结果开辟了一般性的问题的适用性和所需的条件，代理人辅助多目标进化算法，以解决在未来。
2016-11-01 cs.NE
Using 3-Objective Evolutionary Algorithms for the Dynamic Chance Constrained Knapsack Problem
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）
针对随机权重与动态容量并存的机会约束背包问题，提出独立于置信水平的三目标形式化，并用GSEMO和MOEA/D验证其优于二目标方法。
2024-04-09 cs.AI cs.NE
Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization
本文针对单目标多模态和多目标优化问题，提出结合混沌演化与小生境技术的CEDC和CECA算法，并扩展出包含不确定性选择和自适应调参的综合框架，显著提升了优化精度与鲁棒性。
2024-11-12 cs.NE
Optimization of breeding program design through stochastic simulation with evolutionary algorithms
针对育种程序参数优化中随机模拟计算量大的问题，提出结合核回归与进化算法的优化框架，在Snakemake流程中实现，大幅减少模拟次数与计算时间并提升扩展性。
2024-07-22 cs.NE q-bio.QM
Some Network Optimization Models under Diverse Uncertain Environments
National Institute of Technology Durgapur（杜尔加布尔国立理工学院）
网络模型提供了一种有效的方法来表示数学上的许多现实生活中的问题。在过去的几十年里，网络优化领域已经见证了研究人员和实践者的兴趣高涨。本文所研究的网络模型大致分为四类：运输问题、最短路问题、最小生成树问题和最大流问题。网络优化问题的决策参数往往是不精确的，存在着各种形式的不确定性，如数据不充分或不完整、证据不足、判断不当、随机性等。在确定性环境下，网络优化问题的研究有很多.然而，在文献中，没有太多的研究，单目标和多目标网络优化问题的观察下，不同的不确定性框架。本文提出了七种不同不确定范式下的网络模型。在这里，用于制定不确定网络模型的不确定规划技术是（i）期望值模型，（ii）机会约束模型和（iii）相关机会约束模型。随后，相应的不确定网络模型的清晰的等价物，使用不同的解决方案的方法。本文所采用的求解方法大致可以分为经典方法和进化算法。本文所使用的经典方法有Dijkstra和Kruskal算法、修正的粗糙Dijkstra算法、全局准则法、模糊约束法和模糊规划法。而在进化算法中，我们提出了具有不确定交叉的变种群遗传算法，并考虑了两种多目标进化算法。
2021-02-21 cs.AI cs.NE math.OC
Evolutionary multi-stage financial scenario tree generation
不确定性下的多阶段财务决策优化依赖于对潜在随机过程的仔细数值近似，该过程描述了所选资产或资产类别的未来收益。各种方法对离散时间，离散状态近似（表示为场景树）的最佳生成已在文献中提出。在本文中，一个新的进化算法来创建情景树的多阶段金融优化模型将被提出。数值结果和实施细节结束的文件。
2010-01-18 cs.NE q-fin.CP q-fin.PM
Robust Constrained Multi-objective Evolutionary Algorithm based on Polynomial Chaos Expansion for Trajectory Optimization
提出了一种基于约束多目标进化算法（MOEA）和非侵入多项式混沌展开（PCE）的集成优化方法，用于求解时间序列动态下的鲁棒多目标优化问题。在这样的问题中的约束是难以处理的，不仅是因为动态约束的数量乘以离散化的时间步长，而且还因为它们中的每一个都是概率的。该方法通过PCE将一个鲁棒性问题改写为确定性问题，然后通过MOEA依次处理生成的约束，包括种群生成、轨迹生成和评价.作为算例，对考虑风场不确定性的超音速运输机着陆轨迹进行了优化设计。结果证明了约束值对优化解集和相应轨迹的定量影响，提出了鲁棒的飞行控制。
2022-05-23 cs.NE
An Evolutionary Algorithm for Task Scheduling in Crowdsourced Software Development
Stevens Institute of Technology（史蒂文斯理工学院）；New York University（纽约大学）；University of Calgary（卡尔加里大学）
软件任务的复杂性和众包开发者行为的不确定性使得规划众包软件开发（CSD）项目具有挑战性。在竞争激烈的众包市场中，多个同时开放的任务对共享工作人员资源的竞争为软件众包的潜在结果增加了另一层不确定性。这些因素导致需要支持CSD管理人员进行自动调度，以提高众包流程和成果的可见性和可预测性。为此，本文提出了一种基于进化算法的众包软件开发任务调度方法。提出的进化调度方法使用多目标遗传算法推荐一个最佳的任务开始日期。该方法使用三个适应度函数，分别基于项目持续时间，任务相似性和任务失败预测。任务失败适应度函数使用神经网络来预测关于特定任务开始日期的任务失败的概率。该方法建议的最佳任务开始日期为项目作为一个整体和每个单独的任务，以实现最低的项目失败率。4个项目的实验结果表明，所提出的方法有可能减少项目工期的一个因素的33- 78%。
2021-07-05 cs.AI cs.NE cs.SE
Rank-Based Learning and Local Model Based Evolutionary Algorithm for High-Dimensional Expensive Multi-Objective Problems
Peking University（北京大学）
提出一种结合分类器辅助排序学习与局部模型的进化算法CLMEA，通过分级学习、超体积搜索和局部填充，高效求解高维昂贵多目标优化问题，实验验证其优于现有方法。
2024-03-16 cs.AI cs.NE
Modeling and Uncertainty Analysis of Groundwater Level Using Six Evolutionary Optimization Algorithms Hybridized with ANFIS, SVM, and ANN
Vali-e-Asr University of Rafsanjan（拉夫桑贾尼瓦利阿斯尔大学）；Semnan University（塞姆南大学）；Texas A&M University（德克萨斯农工大学）；Bauhaus-Universität Weimar（魏玛包豪斯大学）
在本研究中，六个元启发式计划与人工神经网络（ANN），自适应神经模糊接口系统（ANFIS）和支持向量机（SVM）杂交，预测月地下水位（GWL），评估预测的不确定性分析和空间变化分析。采用草蜢优化算法（GOA）、猫群优化算法（CSO）、杂草算法（WA）、遗传算法（GA）、磷虾算法（KA）和粒子群优化算法（PSO）等6种算法进行混合，以提高ANN、SVM和ANFIS模型的性能。地下水位（GWL）数据的Ardebil平原（伊朗）为期144个月的混合模型进行了评估。主成分分析（PCA）的预处理技术，以减少输入组合从每月的时间序列到12个月的预测间隔。结果表明，ANFIS-GOA混合模型对试验阶段第一、三测压管的GWL预测效果优于其他混合模型。采用优化算法的混合模型的性能远远优于没有混合的经典ANN、ANFIS和SVM模型。在训练阶段，ANFIS-GOA与压力计10中的独立ANFIS相比，RMSE、MAE、NSE和PBIAS的改善百分比分别为14.4%、3%、17.8%和181%，在测试阶段分别为40.7%、55%、25%和132%。压力计6在训练步骤中的改进分别为15%、4%、13%和208%，在测试步骤中分别为33%、44.6%、16.3%和173%，这清楚地证实了所开发的杂交方案在GWL建模中的优越性。不确定性分析表明，ANFIS-GOA和SVM的性能分别最好和最差的其他模型。一般来说…
2020-06-28 cs.LG cs.NE eess.SP
A Secure Federated Data-Driven Evolutionary Multi-objective Optimization Algorithm
Westlake University（西湖大学）；Bielefeld University（比勒费尔德大学）；Eötvös Loránd University（厄特沃什·罗兰大学）；E-Group ICT Software Zrt（E集团信息通信技术软件公司）
针对集中式数据驱动进化算法的隐私安全问题，提出一种安全的联邦数据驱动多目标优化算法，通过随机客户端查询和Diffie-Hellman噪声掩蔽保护原始数据与新解，在基准上以极小性能代价实现隐私保护。
2023-09-03 cs.AI cs.CR cs.NE
Data-driven evolutionary algorithm for oil reservoir well-placement and control optimization
优化布井和注采是油藏开发实现经济效益最大化的关键。元启发式算法在求解复杂、非线性和非连续优化问题中表现出良好的性能。然而，在优化过程中涉及大量的数值模拟运行。在这项工作中，一种新的和有效的数据驱动的进化算法，称为广义数据驱动的差分进化算法（GDDE），提出了减少的数量的模拟运行的布井和控制优化问题。采用概率神经网络（PNN）作为分类器，选择信息量大、前景好的候选项，对最不确定的候选项进行基于欧氏距离的预筛选，并通过数值模拟进行评价。然后，利用径向基函数（RBF）建立局部代理模型，并通过数值模拟器对优化器找到的代理模型进行评价，以加速收敛。值得注意的是，RBF模型和PNN的形状因子通过求解超参数次昂贵优化问题来优化。结果表明，本文提出的优化算法对二维油藏布井优化问题和Egg模型联合优化问题具有很好的应用前景。
2022-06-07 cs.NE
A Federated Data-Driven Evolutionary Algorithm for Expensive Multi/Many-objective Optimization
East China University of Science and Technology（华东理工大学）；University of Surrey（萨里大学）
数据驱动优化在现实世界中有许多成功的应用，并在进化优化领域受到越来越多的关注。大多数现有的算法假设用于优化的数据总是在中央服务器上可用于构建代理。然而，当数据必须以分布式方式收集并且受到隐私限制时，这种假设可能无法成立。提出一种联邦数据驱动的多目标进化优化算法。为此，我们利用联邦学习进行代理构建，以便多个客户端协同训练径向基函数网络作为全局代理。然后提出了一种新的联邦获取函数，用于中央服务器使用全局代理来近似目标值，并基于局部模型来估计近似目标值的不确定性水平。该算法的性能进行了验证一系列的多/多目标基准问题，通过比较它与两个国家的最先进的代理辅助多目标进化算法。
2021-06-22 cs.AI cs.NE
Enhancing hierarchical surrogate-assisted evolutionary algorithm for high-dimensional expensive optimization via random projection
代理辅助进化算法（SAEAs），特别是分层SAEAs，通过显著减少真实适应度评价，在求解计算量大的优化问题中已被证明是有效的。分层SAEA的成功主要得益于其被称为“不确定性的祝福”的全局代理模型的潜在好处和局部模型的高精度。然而，它们的性能留下了改进的空间，因为现在它仍然是具有挑战性的，以建立足够准确的局部模型，由于巨大的解决方案空间的高维问题。针对这一问题，本研究提出了一种新的分层SAEA通过训练本地代理模型的帮助下，随机投影技术。该算法首先将训练样本随机投影到一组低维子空间上，然后在每个子空间上训练一个代理模型，最后通过对得到的模型进行平均来评价候选解，而不是在原始的高维解空间中进行训练。在100维和200维的6个基准函数上的实验结果表明，随机投影可以显著提高局部代理模型的精度，新提出的分层SAEA算法与现有的SAEA算法相比具有明显的优势
2021-03-01 cs.NE
Optimizing Hearthstone Agents using an Evolutionary Algorithm
本文提出用进化算法优化考虑全部场上要素的数据驱动《炉石传说》决策智能体，并通过竞争性协同进化实现自学习，所获智能体在国际AI竞赛中跻身最佳6%，表现优于或堪比蒙特卡洛树搜索等方法。
2024-10-25 cs.NE
Automatic Detection of Trends in Dynamical Text: An Evolutionary Approach
本文提出了一种进化算法来模拟文档流的到达日期，文档流是任何带有时间戳的文档集合，例如新闻广播，电子邮件，IRC对话，科学期刊档案和weblog帖子。该算法将频率（每个时间单位的文档到达数量）分配给时间间隔，以便产生与数据的最佳拟合。优化是在准确拟合数据和避免太多频率变化之间的权衡;这样，分析就能够找到忽略噪声的拟合。经典的动态规划算法受到内存和效率要求的限制，这在处理长流时可能是一个问题。这表明，探索替代搜索方法，允许一定程度的不确定性，以实现易处理性。实验表明，所设计的进化算法能够在较短的时间内达到与经典动态规划算法相同的解质量。我们还探索了不同的概率模型来优化数据流的拟合，并应用这些算法来推断新的到达是否增加或减少文档流所涉及的主题中的{ \em兴趣}。
2006-01-12 cs.IR cs.NE
Robust Subset Selection by Greedy and Evolutionary Pareto Optimization
子集选择的目的是从基集中选择一个子集，以最大化某个目标函数，出现在各种应用中，如影响力最大化和传感器布局。然而，在现实世界的场景中，人们经常需要找到一个子集，该子集对（即，由于不确定性，在多个可能的目标函数上是好的，导致鲁棒子集选择的问题。本文考虑具有单调目标函数的鲁棒子集选择，放松了以前研究所要求的次模性质。我们首先表明，贪心算法可以获得一个近似比$1-e^{-βγ}$，其中$β$和$γ$是相关性和子模块比的目标函数，分别，然后提出EPORSS，进化Pareto优化算法，可以利用更多的时间来找到更好的子集。我们证明EPORSS也可以在理论上接地，实现类似的近似保证的贪心算法。此外，我们推导出了$β$的鲁棒影响力最大化的应用下界，并进一步进行实验，以验证贪心算法和EPORSS的性能。
2022-05-08 cs.CC cs.NE
Quantum Control Experiments as a Testbed for Evolutionary Multi-Objective Algorithms
实验多目标量子控制是在控制量子现象的广泛物理和化学应用领域中的一个新兴课题。这一领域提供了尖端的超快激光实验室应用，这对高维搜索提出了多个目标，噪声和可能的限制。在这项研究中，我们介绍了多观测量子控制（MOQC）的主题，并考虑特定的系统是帕累托优化的不确定性，无论是实验还是通过模拟系统。后者包括一个家庭的数学测试功能与MOQC实验，这是第一次介绍。我们调查的协方差矩阵自适应演化策略（MO-CMA-ES）的多目标版本的行为，并评估其性能的计算机模拟以及实验室闭环实验。总体而言，我们提出了一个全面的研究实验进化帕累托优化在高维连续域，得出一些实际的结论，适应度扰动对算法行为的影响，并提出了几个理论问题，在广泛的进化多目标背景下。
2011-12-22 cs.NE math-ph math.MP
Bayesian Decision Trees Inspired from Evolutionary Algorithms
University of Liverpool（利物浦大学）
本文提出用序贯蒙特卡洛替代MCMC，并结合进化算法启发的采样策略构建贝叶斯决策树，在迭代次数减少100倍的条件下取得更准确的结果。
2023-05-30 cs.LG cs.NE
HEAS: Hierarchical Evolutionary Agent-Based Simulation Framework for Multi-Objective Policy Search
Department of Politics and Public Administration（政治与公共行政系）；The University of Hong Kong（香港大学）；Department of Applied Social Sciences（应用社会科学系）；The Hong Kong Polytechnic University（香港理工大学）
提出HEAS框架，结合智能体仿真、进化搜索与场景评估，通过“度量契约”统一优化、评估和验证，支持多目标策略搜索。
2026-06-23 cs.CE cs.LG cs.MA
