Locating the boundaries of Pareto fronts: A Many-Objective Evolutionary Algorithm Based on Corner Solution Search
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Collaborative Innovation Center of Novel Software Technology and Industrialization（新型软件技术与产业化协同创新中心）；City University of Hong Kong（香港城市大学）
提出了一种基于角点解搜索的进化多目标优化算法（MaOEA-CS）。MaOEA-CS隐含地包含两个阶段：在第一阶段，利用搜索最重要的边界最优解-角点解;在第二阶段，使用基于角度的选择[1]，探索搜索PF近似的扩展。由于其高效率和对PF形状的鲁棒性，它赢得了CEC 2017年进化多目标优化竞赛。此外，MaOEA-CS还被应用于两个现实世界的工程优化问题非常不规则的PF。实验结果表明，MaOEA-CS算法的性能优于其他6种同类算法，表明该算法能够有效地处理具有不规则PF的复杂优化问题。
2018-06-08 cs.AI cs.NE
Evolutionary Search in the Space of Rules for Creation of New Two-Player Board Games
Ghulam Ishaq Khan Institute of Engineering Sciences and Technology（加齐大学工程科学与技术学院）；Al Imam Mohammad Ibn Saud Islamic University (IMSIU)（伊玛目穆罕默德·伊本·沙特伊斯兰大学）；National University of Computer and Emerging Science（国立计算机与新兴科学大学）
游戏一直是人工智能技术的热门试验平台。游戏开发者总是在不断地寻找能够自动创建计算机游戏的技术，以最小化开发者的任务。在这项工作中，我们提出了一个进化策略为基础的解决方案自动生成的两个球员的棋盘游戏。为了指导游戏的进化过程，这是娱乐，我们提出了一套指标。这些度量基于计算机游戏中的不同娱乐理论。这项工作还比较了娱乐价值的进化游戏与现有的流行的基于棋盘的游戏。进一步地，为了用人类用户的娱乐价值来验证演进游戏的娱乐价值，进行人类用户调查。除了用户调查，我们检查的可学习性的进化游戏使用人工神经网络为基础的控制器。所提出的度量和进化过程可以用于生成新的和有趣的棋盘游戏，提供初始搜索空间给进化算法。
2014-06-01 cs.AI cs.NE
Better call Surrogates: A hybrid Evolutionary Algorithm for Hyperparameter optimization
Virginia Tech（弗吉尼亚理工学院）；US Army Research Laboratory（美国陆军研究实验室）；US Army, ERDC-GRL（美国陆军ERDC-GRL）
提出了一种代理辅助进化算法（EA），用于机器学习（ML）模型的超参数优化。所提出的STEADE模型最初使用RadialBasis Function插值估计目标函数景观，然后将知识转移到称为差分进化的EA技术，该技术用于在贝叶斯优化框架的指导下发展新的解决方案。作为NeurIPS 2020黑箱优化挑战的一部分，我们对超参数优化问题的模型进行了经验评估，并展示了STEADE相对于香草EA所带来的改进。
2020-12-11 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
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
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
GeM-EA: A Generative and Meta-learning Enhanced Evolutionary Algorithm for Streaming Data-Driven Optimization
South China University of Technology（华南理工大学）
本文提出GeM-EA，结合元学习和生成重放，提升流数据驱动优化的适应速度和鲁棒性。
2026-04-14 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
A Systematic Survey on Large Language Models for Evolutionary Optimization: From Modeling to Solving
该综述聚焦进化优化，通过工作流框架系统回顾相关进展，将文献分为优化建模与求解两阶段，求解阶段再分三类范式，分析方法、局限性及与传统方法关系，还给出基准、比较及应用，并指出研究方向。
2026-07-07 cs.AI 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
EvoTorch: Scalable Evolutionary Computation in Python
NNAISENSE
针对现代高维优化问题对可扩展进化算法实现的需求，本文提出基于PyTorch的进化计算库EvoTorch，支持GPU加速与高度并行化，允许用户使用熟悉的API定义优化问题。
2023-05-21 cs.AI cs.NE
Performance and Explainability Requirements of Evolutionary Algorithms in Real-World Physics-Informed Optimization
Universität Augsburg（乌尔姆大学）
本文通过五个实际物理优化问题，分析领域专家对进化算法在性能和可解释性方面的需求，并指出现有方法未能充分应用于复杂实际场景的差距。
2026-05-27 cs.AI cs.NE
A Survey on Recent Progress in the Theory of Evolutionary Algorithms for Discrete Optimization
CNRS（法国国家科学研究中心）；École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎综合理工学院）；The University of Adelaide（阿德莱德大学）
离散搜索空间的演化计算理论在过去的十年里取得了重大进展。本调查总结了一些最重要的最近在这一研究领域的成果。它讨论了进化算法运行时分析的细粒度模型，突出了最近的理论见解参数调整和参数控制，并总结了随机和动态问题的最新进展。我们认为进化算法如何优化次模函数，我们给出了一个概述了大量的最近的结果估计的分布算法。最后，我们提出了最强大的分析技术之一，在这个领域中开发的漂移分析的艺术状态。
2021-07-08 cs.AI cs.NE
Evolutionary thoughts: integration of large language models and evolutionary algorithms
本文提出将大语言模型与演化算法融合，通过高效评估框架和LLM增强的搜索策略，缓解LLM推理幻觉与演化计算瓶颈，提升复杂优化问题中候选解的质量。
2025-05-09 cs.AI cs.NE
Structure-Aware Cooperative Ensemble Evolutionary Optimization on Combinatorial Problems with Multimodal Large Language Models
School of Physical and Mathematical Sciences, Nanyang Technological University（南洋理工大学物理与数学科学学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）
本研究提出一种利用多模态大语言模型作为进化算子的结构感知协作式集成进化优化框架，通过图稀疏化、跨域知识转移和共识投票集成，提升图组合问题求解的质量与可靠性。
2025-10-24 cs.AI cs.NE
Credit Assignment in Adaptive Evolutionary Algorithms
本文提出了一种新的分配信用的搜索算子的方法。从优化搜索偏差的原则开始，搜索算子的选择是基于创建与未来世代历史相关的解决方案的能力。使用一种新的框架，用于定义性能测量，分配信用的性能，和统计解释的信用，一种新的自适应方法的开发和表现出优于各种自适应和非自适应的竞争对手。
2009-07-03 cs.AI cs.NE
Evolutionary Diversity Optimization Using Multi-Objective Indicators
进化多样性优化的目标是计算一组不同的解决方案，其中所有解决方案都满足给定的质量标准。通过本文，我们将进化多样性优化和进化多目标优化结合起来。我们展示了如何流行的指标，经常使用的多目标优化领域可以用于进化多样性优化。我们的实验研究不断发展的TSP实例和图像的不同集合，根据各种功能表明，两个最突出的多目标指标，即超体积指标和倒置的世代距离，提供了良好的结果，在可视化和各种多样性指标。
2018-11-16 cs.NE
Investigating Constraint Relationship in Evolutionary Many-Constraint Optimization
College of Systems Engineering, National University of Defense Technology（国防科技大学系统工程学院）；Hunan Key Laboratory of Multi-Energy System Intelligent Interconnection Technology (HKL-MESIT)（湖南省多能源系统智能互联技术重点实验室）
本文通过考虑成对约束之间的关系，对进化多约束优化中的扩展约束的处理做出了贡献。在冲突关系中，一个约束的函数值随着另一个约束中的值的减小而增大。在和谐的关系中，一个约束条件的改善会得到另一个约束条件同时改善的回报。在独立关系中，对一个约束的调整永远不会影响对另一个约束的调整。根据多约束优化问题的不同特点，讨论了约束关系的识别方法，有助于简化多约束优化问题。此外，进一步讨论了关系的传递性，目的是确定在一个新的约束对的关系。
2020-10-09 cs.AI 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
Online Optimization of Curriculum Learning Schedules using Evolutionary Optimization
Leibniz University Hannover（汉诺威莱布尼茨大学）
本研究提出RHEA CL方法，结合课程学习与滚动时域进化算法在线优化课程调度，在Minigrid的两类环境中验证了其能提升最终强化学习智能体性能，且训练早期提升效果显著。
2024-08-12 cs.AI cs.NE
An LLM-Empowered Adaptive Evolutionary Algorithm For Multi-Component Deep Learning Systems
NTU（国立新加坡大学）
针对多组件深度学习系统的安全违规检测，本文提出LLM赋能的μMOEA，通过问题感知初始化、自适应进化及经验反馈生成差异种子，提升搜索效率与多样性。
2025-06-11 cs.AI cs.NE
Effects of Different Optimization Formulations in Evolutionary Reinforcement Learning on Diverse Behavior Generation
Osaka Prefecture University（大阪府立大学）
为给定的任务生成各种策略是具有挑战性的。然而，它已经被证明为主要的学习过程带来了许多资产，例如改进的行为探索。随着人们对演化计算和强化学习中解的异质性的兴趣的增长，出现了许多有前途的方法。为了更好地理解人们如何引导多个策略朝向不同的策略并从多样性中受益，我们需要进一步分析奖励信号调制和其他进化机制对所获得的行为的影响。为此，本文考虑了现有的进化强化学习框架，该框架利用多目标优化作为一种方法来获得成功的行为相关的任务，以及完成主要目标的政策。Atari游戏上的实验强调，不考虑目标的优化公式同样无法产生多样性，甚至输出在解决手头问题方面表现较差的代理，无论获得的行为如何。
2022-01-27 cs.AI cs.NE
Surprise Search for Evolutionary Divergence
受非常规发现的惊奇概念的启发，我们提出了一种通用的搜索算法，我们称之为惊奇搜索，这是一种新的进化发散搜索方法。惊喜搜索是基于发散搜索范式，并在进化搜索的原则内制造。该算法模仿自我惊讶的认知过程，并使进化搜索具有寻找偏离算法预期行为的解决方案的能力。预期解决方案的预测模型基于搜索位置的历史轨迹和关于搜索空间的本地信息。惊喜搜索在机器人迷宫导航任务中进行了广泛的测试：实验在四个编写的欺骗性迷宫和60个生成的迷宫中进行，并与基于目标的进化搜索和新奇搜索进行比较。本研究的主要发现表明，与其他两个搜索过程相比，惊喜搜索是有利的。特别是，它优于客观搜索，它是有效的新奇搜索在所有的任务检查。最重要的是，惊喜搜索是更快，平均而言，更强大的解决导航问题相比，任何其他算法检查。最后，我们的分析表明，惊喜搜索探索的行为空间更广泛，并产生更高的人口多样性相比，新奇的搜索。突击搜索与其他形式的发散搜索（如新奇搜索）的区别在于，它不是偏离先前和已知的解决方案，而是偏离所考虑领域中预测和未知的点。
2017-06-08 cs.NE
Epistasis-based Basis Estimation Method for Simplifying the Problem Space of an Evolutionary Search in Binary Representation
进化搜索空间可以通过适当的基变换来平滑地变换;然而，可能难以确定适当的基。本文提出了一种在二进制编码方案中选择最优基的方法，该方法可用于简化进化搜索空间。基搜索方法基于遗传算法，适应度评价基于上位性，上位性是遗传算法复杂性的指标。进行了两个测试，以验证所提出的方法时，适用于两个不同的进化搜索问题。第一个寻找一个适当的基础来应用，而第二个寻找一个解决方案的测试问题。所得到的结果后，确定的基础已被应用进行了比较，与原来的基础，它被发现，所提出的方法提供了优越的结果。
2019-04-19 cs.NE
An Ensemble of Evolutionary Algorithms With Both Crisscross Search and Sparrow Search for Processing Inferior Individuals
China University of Geosciences, Wuhan（中国地质大学（武汉））；Jilin University（吉林大学）
本文提出了一种结合交叉搜索和麻雀搜索的进化算法集合EA4eigCS，用于提升处理劣质个体的性能，实验表明其在长期搜索任务中表现优异。
2026-01-15 cs.NE
Evolutionary Generative Optimization: Towards Fully Data-Driven Evolutionary Optimization via Generative Learning
EvoGO通过生成学习实现完全数据驱动的进化优化，提升优化精度和适应性，优于传统EAs、贝叶斯优化和强化学习方法。
2026-02-13 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
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
Regularized Evolutionary Algorithm for Dynamic Neural Topology Search
University of Trento（特伦托大学）；Fondazione Bruno Kessler (FBK)（布鲁诺·凯斯勒基金会）
设计用于对象识别的神经网络需要大量的架构工程。作为一种补救措施，神经进化网络结构搜索，它使用进化算法自动搜索最佳网络结构，最近变得非常流行。虽然非常有效，但进化算法严重依赖于具有大量个体（即，网络体系结构）并且因此存储器昂贵。在这项工作中，我们提出了一个具有低内存占用的正则化进化算法来进化动态图像分类器。在细节上，我们引入了新的自定义算子，规范了10个个体的微种群的进化过程。我们在三个不同的数字数据集（MNIST，USPS，SVHN）上进行了实验，结果表明，我们的进化方法获得了与当前最先进的竞争结果。
2019-08-19 cs.CV cs.NE
When Evolutionary Computation Meets Privacy
Guangzhou Institute of Technology, Xidian University（西安电子科技大学广州研究院）；South China University of Technology（华南理工大学）；Singapore Management University（新加坡管理大学）；Fuzhou University（福州大学）；Peng Cheng Laboratory（鹏城实验室）；Xidian University（西安电子科技大学）；Zhejiang Normal University（浙江师范大学）；Hanyang University（汉阳大学）
本文针对演化计算中的隐私泄露问题，通过三种典型优化范式和BOOM框架系统梳理了隐私保护的对象、动机、位置与方法，并展望了隐私保护演化计算的未来研究方向。
2023-03-22 cs.AI cs.CR cs.NE
A Review of Evolutionary Multi-modal Multi-objective Optimization
多模态多目标优化的目的是在目标空间中找到所有的Pareto最优解，包括重叠的解。自2005年以来，演化计算社区一直在研究多模态多目标优化。然而，这是很难调查现有的研究在这一领域，因为他们已经独立进行，并没有明确使用术语“多模态多目标优化”。为了解决这个问题，本文回顾了现有的进化多模态多目标优化的研究，包括研究发表的名称是不同的“多模态多目标优化”。我们的审查还澄清了在这一研究领域的开放问题。
2020-09-28 cs.NE
Evolutionary Neural Architecture Search for Image Restoration
卷积神经网络（CNN）架构传统上由人类专家在手动搜索过程中进行探索，该过程耗时且无法有效地探索潜在解决方案的巨大空间。神经结构搜索（NAS）方法自动搜索神经网络超参数的空间，以找到最佳的特定于任务的结构。NAS方法已经发现了CNN架构，其在图像分类以及其他任务中实现了最先进的性能，然而NAS在图像到图像回归问题（诸如图像复原）中的应用是稀疏的。本文提出了一种NAS方法，执行计算效率的进化搜索的最小约束的网络架构搜索空间。在应用于ImageNet64x64数据集的各种图像复原任务上评估了所提出的方法发现的架构的性能，并与人类工程CNN架构进行了比较。仅使用2个GPU小时的进化搜索就发现了最好的神经架构，表现出与人类工程基线架构相当的性能。
2019-03-30 cs.NE
Evolutionary Alternating Direction Method of Multipliers for Constrained Multi-Objective Optimization with Unknown Constraints
针对约束函数未知导致传统算法失效的问题，提出受ADMM启发的进化优化框架，将问题解耦为两个子问题并分配独立种群交替进化，实验证明其收敛更快且对Pareto前沿适应性更强。
2024-01-02 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
Group theory, group actions, evolutionary algorithms, and global optimization
在本文中，我们使用组，行动和轨道来理解进化如何解决非凸优化问题。
2013-05-03 cs.NE math.DS math.OC
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
Discrepancy-based Evolutionary Diversity Optimization
多样性在演化计算中起着至关重要的作用。虽然多样性主要用于防止进化算法的种群过早收敛，但近年来，使用进化算法来获得不同的解集越来越受到关注。多样性优化的基础问题的功能方面，可以获得更好的理解可能的解决方案，手头的问题，并可以用于算法选择时，处理组合优化问题，如旅行推销员问题。我们探索使用的明星差异措施，以指导多样性优化过程的进化算法。在我们的实验研究中，我们考虑我们的差异为基础的多样性优化方法，不断发展的不同的图像集，以及旅行推销员的问题的情况下，本地搜索是无法找到接近最优的解决方案。我们的实验研究比较三种多样性优化方法表明，基于差异的多样性优化方法，使用一个平局打破规则的基础上加权差异周围的特征点提供了最好的结果，在星差异措施。
2018-02-15 cs.NE
Do We Really Need to Use Constraint Violation in Constrained Evolutionary Multi-Objective Optimization?
约束破坏是设计求解约束多目标优化问题的进化多目标优化算法的基础。然而，在现实世界的黑盒优化场景中，约束违反是很难接近的，这并不罕见。现有的约束进化多目标优化算法的环境选择机制是建立在约束违背的基础上的，当约束函数的形式未知时，这些算法是否仍然有效还不清楚。考虑到这一点，本文选取了四个广泛使用的约束进化多目标优化算法作为基线，并开发了相应的变种，用一个清晰的值来代替约束违反。从我们的实验合成和现实世界的基准测试问题，我们发现，所选算法的性能没有显着影响时，约束违反不用于指导环境选择。
2022-05-28 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
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
A Data-Driven Evolutionary Transfer Optimization for Expensive Problems in Dynamic Environments
许多现实世界的问题通常是计算成本高，目标函数随着时间的推移而演变。数据驱动，又名代理辅助的进化优化已经被认为是在静态环境中处理昂贵的黑盒优化问题的有效方法，而在动态环境下很少对其进行研究。本文提出了一个简单而有效的迁移学习框架，使数据驱动的进化优化解决动态优化问题。具体而言，它应用分层多输出高斯过程来捕获从不同时间步收集的数据与线性增加的超参数数量之间的相关性。此外，提出了一种自适应源任务选择以及定制的温暖凝视初始化机制，以更好地利用从以前的优化练习中提取的知识。通过这样做，数据驱动的进化优化可以在新环境中以严格有限的计算预算启动优化。合成基准测试问题和现实世界的案例研究的实验证明了我们提出的算法对九个国家的最先进的同行算法的有效性。
2022-11-05 cs.NE
Benchmarking the Hill-Valley Evolutionary Algorithm for the GECCO 2018 Competition on Niching Methods Multimodal Optimization
本报告介绍了最新版本的山谷进化算法（HillVallEA）在CEC 2013小生境基准测试套件上的基准测试结果。基准测试遵循GECCO 2018竞争对多模态优化小生境方法的限制。特别地，不执行问题相关的参数调整。对HillVallEA的原始出版物进行了一些调整，这些调整在本报告中进行了讨论。
2018-07-11 cs.NE
On the Runtime of Randomized Local Search and Simple Evolutionary Algorithms for Dynamic Makespan Scheduling
进化算法是求解动态优化问题的常用算法。通过本文，我们有助于对这一研究领域的理论理解。我们提出了第一个计算复杂性分析的进化算法的动态变化的经典组合优化问题，即最大完工时间调度。我们研究了一个强对手的模型，它被允许定期更换一个工作。此外，我们研究了随机变化的设置。我们的研究结果表明，随机局部搜索和一个简单的进化算法是非常有效的动态跟踪变化的问题实例。
2015-04-23 cs.DS cs.NE
Distribution of the search of evolutionary product unit neural networks for classification
University of Seville（塞维利亚大学）；University of Córdoba（科尔多瓦大学）
本文讨论了用进化乘积单元神经网络寻找最佳分类模型的分布式处理。对于这种分布式搜索，我们使用了一组计算机。我们的目标是获得一个更有效的设计比那些网络架构，不使用分布式处理，从而导致更简单的设计。为了得到最佳的分类模型，我们使用进化算法来训练和设计神经网络，这需要非常耗时的计算。需要这种分配的原因是多方面的。这是复杂的训练这种类型的网络，因为在确定它们的结构，由于复杂的误差表面带来的困难。另一方面，进化算法的使用涉及运行大量的具有不同种子和参数的测试，从而导致高计算成本
2012-05-15 cs.AI cs.CV cs.NE
Evolutionary Diversity Optimization and the Minimum Spanning Tree Problem
在演化计算领域中，对给定优化问题的高质量解的不同集合的计算近年来在术语进化多样性优化下获得了动力。对用于多样性优化的基线进化算法的工作原理的理论见解仍然很少。在本文中，我们研究了著名的最小生成树问题（MST）的多样性优化的背景下，人口多样性是衡量成对的边缘重叠的总和。理论结果提供了深入了解的MST多样性优化问题的健身景观指出，即使人口的$μ=2$健身高原（恒定长度）可以达到，但不同的集可以计算在多项式时间。我们通过一系列针对无约束和约束情况的实验来补充我们的理论结果，其中所有解决方案都需要满足最小质量阈值。我们的研究结果表明，一个简单的$(μ+1)$ -EA可以有效地计算高质量的生成树的多样化的人口。
2021-04-27 cs.NE
Sampled Training and Node Inheritance for Fast Evolutionary Neural Architecture Search
深度神经网络的性能在很大程度上取决于其架构，并且已经开发了各种神经架构搜索策略用于自动化网络架构设计。近年来，进化神经结构搜索（ENAS）由于其良好的全局寻优能力而受到越来越多的关注。然而，ENAS具有极高的计算成本，因为在进化优化中通常需要大量的性能评估，并且训练深度神经网络本身在计算上是非常密集的。针对这一问题，提出了一种新的基于有向无环图的快速ENAS进化框架，在该框架中，父代被随机抽取，并在每一小批训练数据上进行训练.此外，采用节点继承策略生成后代个体，无需训练直接评估其适应度。为了增强进化神经网络的特征处理能力，我们还在搜索空间中编码了通道注意力机制。我们评估了广泛使用的数据集上的算法，与26个国家的最先进的同行算法相比。实验结果表明，该算法不仅计算效率更高，而且在学习性能上具有很强的竞争力。
2020-03-07 cs.NE
Evolutionary-Neural Hybrid Agents for Architecture Search
Jagiellonian University（雅盖隆大学）；Google AI（谷歌人工智能）
神经结构搜索已经显示出自动设计神经网络的潜力。基于深度强化学习的智能体可以学习复杂的架构模式，并探索广阔的组合搜索空间。另一方面，进化算法提供了更高的样本效率，这对于这样的资源密集型应用是至关重要的。为了捕捉这两个世界的最好的，我们提出了一类进化神经混合代理（Evo-NAS）。我们表明，Evo-NAS代理优于神经和进化代理时，适用于一套文本和图像分类基准架构搜索。在一个高复杂度的架构搜索空间的图像分类，Evo-NAS代理超越了常用的代理实现的准确性，只有1/3的搜索成本。
2020-02-15 cs.LG cs.NE stat.ML
A Review on Bilevel Optimization: From Classical to Evolutionary Approaches and Applications
双层优化被定义为一个数学规划，其中一个最优化问题包含另一个最优化问题作为约束。这些问题受到了数学规划界的极大关注。只有有限的工作存在于双层问题，使用进化计算技术，然而，最近有越来越多的兴趣，由于扩散的实际应用和进化算法在解决这些问题的潜力。本文提供了一个全面的审查双层优化的基本原则，解决方案的战略，包括经典和进化。一些潜在的应用问题也进行了讨论。为了向读者提供关于双层优化领域的突出发展的见解，我们对迄今为止发表的关于双层优化的论文的扩展列表进行了自动文本分析。这篇论文应该激励进化计算的研究人员更加关注这一实用而又具有挑战性的领域。
2020-12-05 cs.NE math.OC
Evolutionary latent space search for driving human portrait generation
Universidad de la República（共和国大学）；ITIS Software, Universidad de Málaga（马拉加大学ITIS软件研究所）
提出了一种基于生成对抗网络潜在空间探索的合成人像进化生成方法。这个想法是产生不同的人脸图像非常类似于一个给定的目标肖像。该方法应用StyleGAN2进行肖像生成，FaceNet进行人脸相似性评估。进化搜索基于探索StyleGAN2的实数编码潜在空间。在合成图像和真实图像上的主要结果表明，所提出的方法产生准确和多样的解决方案，代表现实的人的肖像。该研究有助于提高人脸识别系统的安全性。
2022-05-19 cs.AI cs.CV cs.LG
Coronavirus Optimization Algorithm: A Success-History Adaptive Evolutionary Framework with Archive-Assisted Search and Stagnation Recovery for Global Optimization
Bournemouth University（伯恩茅斯大学）
本文提出受SARS-CoV-2启发的COA优化算法，将冠状病毒机制映射为搜索算子，结合多种技术在29个CEC 2017基准函数上测试，其整体Friedman秩最优，是紧凑透明的自适应进化优化器。
2026-08-26 cs.AI cs.CC cs.NE
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
EvoAAA: An evolutionary methodology for automated \neural autoencoder architecture search
Universidad de Jaén（哈恩大学）
当向机器学习模型提供策划的功能时，它们会更好地工作。特征工程方法通常被用作预处理步骤，以获得或构建合适的特征集。近年来，自编码器（一种特定类型的对称神经网络）已被广泛用于执行表示学习，证明了其与经典特征工程算法的竞争力。使用自动编码器的主要障碍是找到一个好的架构，这是大多数专家手动面对的过程。本文提出了一种基于进化方法的自动编码器结构搜索方法。该方法针对九个异构数据集进行了测试。所得到的结果表明，这种方法能够找到更好的架构，能够集中在一个最小化的编码，在减少的时间大部分有用的信息。
2023-01-15 cs.AI cs.LG cs.NE
An Improved Two-Archive Evolutionary Algorithm for Constrained Multi-Objective Optimization
约束多目标优化问题（CMOPs）在现实世界的工程优化场景中普遍存在。约束多目标优化的一个关键问题是如何在收敛性、多样性和可行性之间取得平衡。近年来提出的求解约束多目标优化问题的双存档进化算法（C-TAEA）是一种新的算法。然而，由于它的两个共同进化的档案之间的合作机制的简单实现，C-TAEA是挣扎时，解决问题的\textit{pseudo}帕累托最优的前沿，它不考虑约束，占主导地位的\textit{feasible}帕累托最优的前沿。在本文中，我们提出了一个改进的版本C-TAEA，被称为C-TAEA-II，具有改进的更新机制的两个共同进化的档案和自适应交配选择机制，以促进更好的合作，共同进化的档案。实验结果表明，所提出的C-TAEA-II的竞争力相比，五个有代表性的约束进化多目标优化算法。
2021-03-10 cs.NE
EVOTS: Evolutionary Transformer Search for Time Series Forecasting
University of North Carolina Wilmington（北卡罗来纳大学威尔明顿分校）
提出进化神经架构搜索框架EVOTS，通过模块化基因组表示和修复机制自动发现任务自适应的Transformer类架构，在ETT数据集多变量预测中达到竞争性性能。
2026-07-02 cs.AI cs.LG cs.NE
