Lossless fitness inheritance in genetic algorithms for decision trees
当使用遗传算法来进化决策树时，关键树质量参数可以被递归地计算并且在部分相似的决策树的各代之间被重用。简单地将实例索引存储在叶子上就足以以无损方式分段计算适应度。我们的推导（实质性）预期的加速两个边界的情况下的问题和跟踪无损健身继承的分而治之的性质的决策树的吸引力。理论结果得到了实验证据的支持。
2009-03-10 cs.AI cs.DS cs.NE
GPU-Accelerated Genetic Programming for Symbolic Regression with Beagle Framework
Michigan State University（密歇根州立大学）；Noblis, Inc.（Noblis公司）
本文基于Beagle框架，利用GPU加速遗传编程进行符号回归，通过对比实验展示了其在Feynman数据集上优于StackGP和PySR等CPU系统的性能。
2026-03-10 cs.NE
Temporal Heterogeneity Improves Speed and Convergence in Genetic Algorithms
近几十年来，遗传算法已被用于解决各种各样的搜索问题。这些算法模拟自然选择，探索参数空间，为各种各样的问题寻找解决方案。在本文中，我们探讨了在遗传算法中引入时间异质性的影响。特别地，我们将交叉概率设置为与个体的适应度成反比，即，较好的解比适应度较低的解变化得慢。作为案例研究，我们应用异质性来解决$N$皇后和旅行推销员问题。我们发现，时间的异质性不断提高搜索，而没有先验知识的参数空间。
2022-02-02 cs.NE
Genetic optimization of the Hyperloop route through the Grapevine
我们展示了一个遗传算法，采用了一个通用的适应度函数，以优化路线选择的超级高铁，建议的高速客运系统。
2015-03-05 cs.NE
Hybrid Beamforming for RIS-Aided Communications: Fitness Landscape Analysis and Niching Genetic Algorithm
针对RIS辅助通信中混合波束成形优化易陷局部最优的问题，通过适应度景观分析明确其多峰结构，提出融合最近优聚类与最小物种规模的小生境遗传算法，显著提升大规模RIS场景下的通信容量。
2021-09-19 cs.NE
Genetic Programming with Behaviour-based Niching for Learning Guided Local Search in Vehicle Routing Problems
School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学工程与计算机科学学院）
针对GPGLS学习车辆路径问题引导局部搜索时仅靠适应度管理多样性不足的问题，提出基于行为小生境的BN-GPGLS，用算子级描述符表征程序并选档案父代，实验表明BN-Adaptive排名最优且能减小程序规模。
2026-09-22 cs.NE
Optimizing GoTools' Search Heuristics using Genetic Algorithms
GoTools是一个解决围棋中生死问题的程序。本文介绍了实验使用遗传算法优化启发式权重使用GoTools的树搜索。启发式权重的完整集合由不同的子组组成，每个子组可以用合适的适应度函数进行优化。作为一个有用的副产品，FreePascal的MPI接口被实现为允许使用在Beowulf集群上运行的并行适应度函数。本练习的目的是优化GoTools的当前版本，并使工具可用于准备GoTools的扩展，用于解决开放边界的生死问题，这将引入更多的启发式参数进行微调。
2003-02-02 cs.NE
A Rank based Adaptive Mutation in Genetic Algorithm
IBM India Pvt. Ltd.（IBM印度私人有限公司）
传统的遗传算法已被用于优化单峰和多峰函数。早期的研究人员使用恒定概率的GA控制算子，如交叉，变异等，以调整特定领域的优化。最近在这一领域的进展见证了自适应方法的概率确定。在自适应变异中，主要利用较差个体来探索状态空间，因此变异概率通常与最佳染色体与其自身的适应度之差（fMAX-f）成比例地产生。然而，这种方法在优化期间容易受到适应度分布的性质的影响。本文提出了一种利用染色体秩产生突变概率的方法，以避免对适应度分布的敏感性。通过实验比较了固定变异概率的简单遗传算法（SGA）和有限资源约束下的自适应算法对单峰函数、多峰函数和旅行商问题（TSP）的求解结果。测量的平均最佳适应度，进化的代数和百分比的全球最佳成就了几个试验。结果表明，基于秩的自适应变异方法是优于基于适应度的自适应方法以及SGA在多模态问题空间。
2021-04-18 cs.AI cs.NE
Efficiency Enhancement of Probabilistic Model Building Genetic Algorithms
本文提出了两种不同的效率增强技术的概率建模遗传算法。第一种技术提出了使用变异算子，该算子在通过概率模型确定的子解邻域中进行局部搜索。第二种技术提出了建立和使用内部概率模型的健身随着变量相互作用的概率模型。一些后代的适应值估计使用概率模型，从而避免计算昂贵的功能评估。上述技术的可扩展性进行了分析，使用facewise模型的收敛时间和人口规模。预测了每种方法所获得的加速效果，并与实验结果进行了验证。结果表明，可加性分离的问题的主管突变算子需要O（k 0.5 logm）-其中k是积木大小，和m是积木的数量-少功能评价比selectorecombinative对应。结果还表明，使用内部概率适应度模型减少了所需的函数评估的数量低至1-10%，并产生2- 50的加速。
2004-05-18 cs.NE
Learning Semantics-aware Search Operators for Genetic Programming
Poznan University of Technology（波兹南理工大学）
本文提出一种语义感知搜索算子，利用图神经网络建模程序指令与数据的交互并生成节点显著性图，引导遗传编程搜索潜在高质量解，在符号回归基准上优于传统树基遗传编程及其消融变体。
2025-02-06 cs.LG cs.NE
The quasispecies regime for the simple genetic algorithm with roulette-wheel selection
我们引入一个新的参数来讨论遗传算法的行为。该参数是从一代到下一代的最佳拟合染色体的精确拷贝的平均数。我们认为，遗传算法应有效地运作时，这个参数是略大于$1$。我们考虑的情况下，简单的遗传算法与轮盘赌-轮选择机制。我们用$\ell$表示染色体长度，用$m$表示群体大小，用$p_C$表示交叉概率，用$p_M$表示突变概率。我们开始的遗传算法与初始人口的最大适应度等于$f_0^*$和平均适应度等于${\overline{f_0}}$。我们表明，在大种群的限制下，遗传算法的动态性在很大程度上取决于参数$π\,=\,\big({f_0^*}/{\overline{f_0}}\big) (1-p_C)(1-p_M)^\ell\,.$。我们的结果表明，应该调整突变和交叉概率，以便在每一代中，$\text{maximal fitness} \times (1-p_C) (1-p_M)^\ell > \text{mean fitness}$。
2015-12-03 cs.NE math.PR
Runtime Analysis of the $(1+(λ,λ))$ Genetic Algorithm on Random Satisfiable 3-CNF Formulas
在GECCO 2013上首次提出的$(1+(λ,λ))$遗传算法在如此优化问题上表现出令人惊讶的良好性能。到目前为止，理论分析仅限于OneMax测试函数，其中该GA受益于完美的适应度-距离相关性。在这项工作中，我们进行了严格的运行时分析，这个GA的随机3-SAT的情况下，种植的解决方案模型至少有对数平均度，这是已知的有一个较弱的健身距离相关性。我们证明了这种遗传算法与固定的不太大的人口规模再次获得运行时间优于$Θ(n \log n)$，这是一个下界的伪布尔问题的唯一最优进化算法。然而，自我调整版本的GA的风险达到人口规模的GA的中间选择，由于较弱的适应度距离相关性，是无法区分一个有利可图的后代从其他人。我们表明，这个问题可以克服装备的自调整遗传算法的人口规模的上限。除了稀疏实例之外，可以以与理想的OneMax情况相比渐近性能不会恶化的方式选择该限制。总体而言，这项工作表明，$(1+(λ,λ))$ GA可以证明有一个很好的性能组合搜索和优化问题，也存在较弱的适应度距离相关性。
2017-04-14 cs.NE
Combining Genetic Programming and Particle Swarm Optimization to Simplify Rugged Landscapes Exploration
大多数现实世界的优化问题很难用传统的统计技术或元分析来解决。其主要困难是存在大量的局部最优解，这可能会导致优化过程的早熟收敛。为了解决这个问题，我们提出了一种新的探试法，用于构建一个光滑的代理模型的原始功能。代理函数更容易优化，但保持了原始粗糙适应度景观的基本属性：全局最优值的位置。为了创建这样一个代理模型，我们考虑了一个线性遗传编程的方法增强了自调整适应函数。所提出的算法，称为GP-FST-PSO代理模型，取得了令人满意的结果，在搜索全局最优值和生产的原始基准函数的视觉近似（在2维的情况下）。
2022-06-07 cs.NE
Genetic Programming is Naturally Suited to Evolve Bagging Ensembles
通过装袋的学习集成可以显著提高低偏差、高方差估计器的泛化性能，包括由遗传编程（GP）进化的估计器。为了提高效率，用于进化（装袋）集合的现代GP算法通常依赖于几个（通常相互连接的）机制和相应的超参数，最终影响易用性。在本文中，我们提供的实验证据表明，这种复杂性可能是没有道理的。我们表明，适应度评估和选择的微小变化足以使一个简单的，否则传统的GP算法有效地进化集成。我们的建议的关键是利用装袋的工作方式来计算，为人口中的每个人，多个健身值（而不是一个）的成本，只是略高于正常的健身评估之一。实验比较的分类和回归任务，并从以前的研究表明，我们的算法票价非常好对国家的最先进的集成和非集成GP算法。我们进一步提供见解所提出的方法（一）缩放的合奏大小，（二）消融的变化选择，（三）观察传统的子树变异引起的进化。代码：https://github.com/marcovirgolin/2SEGP.
2021-02-05 cs.NE
Ensemble representation learning: an analysis of fitness and survival for wrapper-based genetic programming methods
University of Pennsylvania（宾夕法尼亚大学）
最近，我们提出了一个通用的，基于集成的特征工程包装器（FEW），它与许多机器学习方法配对来解决回归问题。在这里，我们调整FEW进行监督分类，并在此框架内对适应度和生存方法进行彻底分析。我们的测试表明，两个健身指标，一个介绍了适应的剪影分数，优于更常用的Fisher准则。我们分析了生存方法，并证明了$ε$ -lexicase生存在我们的测试问题中效果最好，其次是随机生存，优于比赛和确定性拥挤。我们进行了一个基准比较，几个分类方法，使用一个大的问题集，并表明，在几种情况下，FEW可以提高最佳分类器的性能。我们证明了FEW可以为具有不同ML配对的生物医学问题生成一致的、有意义的特征。
2017-08-03 cs.LG cs.NE stat.ML
Weekly maintenance scheduling using exact and genetic methods
每周维护计划指定了应在设备上执行维护活动的时间，同时考虑到工人和维护舱的可用性以及其他操作限制。目前编制该时间表的方法是劳动密集型的，需要维护人员和运营人员之间的协调，以尽量减少对矿山运营的影响。本文介绍了自动生成此计划的方法，从清单中的维护任务要执行的，可用性名册的维护人员，和时间窗口中的每件设备可用于维护。混合线性规划（MILP）和遗传算法进行评估，与遗传算法显着优于MILP。两个适应度函数的遗传算法也检查，与线性适应度函数优于逆适应度函数的相同的计算时间高达5%。遗传算法方法计算速度快，允许对意外延迟和故障做出响应而快速重新计算进度表。
2016-10-17 cs.AI cs.NE
Automatically Balancing Model Accuracy and Complexity using Solution and Fitness Evolution (SAFE)
当在生物医学数据中寻找预测模型时，人们通常会想到不止一个目标，例如，实现高准确性和低复杂性（以促进可解释性）。我们在这里调查多个目标是否可以动态调整我们最近提出的协同进化算法，安全（解决方案和健身进化）。我们发现，SAFE是能够自动调整准确性和复杂性，没有性能损失，与标准的进化算法相比，在复杂的模拟遗传学数据集的GAMETES工具。
2022-06-30 cs.NE
Reducing the Computational Cost in Multi-objective Evolutionary Algorithms by Filtering Worthless Individuals
大量精确的适应度函数计算使得进化算法具有计算代价。在一些现实问题中，即使增加计算复杂性并花费更多时间，减少这些评估的数量也更有价值。为了实现这一目标，我们引入了一个有效的因素，尽管在自适应模糊适应度粒化与非支配排序遗传算法-II中的应用因素，以更精确地过滤出无用的个体。我们所提出的方法进行了比较，相对于自适应模糊适应粒度与非支配排序遗传算法-II，使用超容量和逆世代距离的性能指标。该方法适用于1传统和1国家的最先进的基准考虑3个不同的维度。从平均性能的角度来看，结果表明，虽然减少适应度评估的数量会导致性能降低，但与我们获得的相比，它并不是有形的。
2014-01-02 cs.NE
SHX: Search History Driven Crossover for Real-Coded Genetic Algorithm
在进化算法中，遗传算子迭代地产生新的后代，这些后代构成了一组潜在的有价值的搜索历史。为了提高实数编码遗传算法（RCGA）中交叉算子的性能，本文提出了在迭代过程中以在线方式利用到目前为止缓存的搜索历史。具体而言，过去几代的幸存者个体被收集并存储在档案中以形成搜索历史。我们介绍了一个简单而有效的交叉模型驱动的搜索历史（简称为SHX）。特别地，搜索历史被聚类，并且每个聚类被分配SHX的分数。从本质上讲，所提出的SHX是一种数据驱动的方法，它利用搜索历史进行后代选择后的后代一代。由于不需要额外的适应度评估，SHX适合于预算有限或适应度评估昂贵的任务。我们通过实验验证了SHX在4个基准函数上的有效性。定量结果表明，我们的SHX可以显着提高性能的RCGA，在准确性方面。
2020-03-30 cs.NE
Building Blocks Propagation in Quantum-Inspired Genetic Algorithm
量子遗传算法是从生物进化和量子系统的幺正进化中得到启发的一类新的元进化算法，本文对量子遗传算法中的积木块传播进行了分析。分析了与模式匹配的量子染色体的期望数目，并引入了一个随机变量。并与简单遗传算法进行了比较。此外，它已经提出了如何选择的二进制量子染色体覆盖一个域的一维适应度函数。
2010-10-01 cs.NE
On genetic programming representations and fitness functions for interpretable dimensionality reduction
Leiden University Medical Center（莱顿大学医学中心）；Centrum Wiskunde & Informatica（荷兰国家数学与计算机科学研究所）
抽象性约简是数据探索和知识发现的重要技术。然而，大多数主要的DR方法是线性的（例如，PCA），不提供原始数据与其低维表示（例如，MDS、t-SNE、isomap），或者产生不能被容易地解释的映射（例如，核PCA、基于神经的自动编码器）。最近，遗传编程（GP）已被用于进化可解释的DR映射的形式的符号表达式。有许多方法可以将GP用于此目的，并且没有研究进行比较。在本文中，我们填补了这一空白，通过比较现有的GP方法，以及设计新的。我们根据预测准确性以及仅使用低维表示重建原始特征的效果，在几个基准数据集上评估了我们的方法。最后，我们定性地评估所得到的表达式及其复杂性。我们发现，各种GP方法可以与国家的最先进的DR算法的竞争力，他们有可能产生可解释的DR映射。
2022-03-14 cs.LG cs.NE
Novel Adaptive Genetic Algorithm Sample Consensus
随机抽样一致性算法（RANSAC）是模型拟合应用中的一种成功算法。当数据集中存在大量离群值时，具有强大的探索阶段至关重要。RANSAC的纯探索策略保证了模型的正确实现。然而，找到最佳结果需要开发。GASAC是一个进化的范例，以增加开发能力的算法。虽然GASAC改进了RANSAC的结果，但它有一个固定的策略来平衡探索和利用。本文提出了一种新的范式的基础上遗传算法的自适应策略。我们利用自适应遗传算子选择高适应度的个体作为亲本，并对低适应度的个体进行变异。在突变阶段，使用训练方法逐渐学习哪个基因是突变基因的最佳替代品。该方法通过对基因的学习，自适应地在探索和利用之间取得平衡。在最后的迭代中，算法利用这些信息来改进最终结果。所提出的方法进行了广泛的评估两组实验。在所有测试中，我们的方法在发现的内点数量和算法速度方面都优于其他方法。
2017-11-26 cs.NE
Research on Fitness Function of Two Evolution Algorithms Used for Neutron Spectrum Unfolding
在用进化算法展开中子能谱时，适应度函数的设计是评价解质量的一项重要基础工作，但一直没有引起人们的重视。在这项工作中，我们研究了八个适应度函数的性能附加到遗传算法（GA）和差分进化算法（DEA）用于展开从IAEA 403报告中选择的四个中子能谱。实验结果表明，遗传算法中具有极大值的适应度函数限制了种群对适应度变化的适应能力，而数据包络分析方法可以弥补这一缺陷。带有特征惩罚项的适应度函数有助于提高解的性能，使用标准差和卡方结果的适应度函数显示了算法和谱之间的平衡。结果还表明，DEA方法具有很好的中子能谱展开潜力。这项工作的目的是提供证据的结构和修改的适应度函数，并建议一些遗传操作时，应注意使用的适应度函数展开中子能谱。
2021-01-11 cs.NE math.OC
ALF -- A Fitness-Based Artificial Life Form for Evolving Large-Scale Neural Networks
机器学习（ML）在日常生活中变得越来越重要。在这种情况下，人工神经网络（ANN）是ML方法中实现人工智能的流行方法。通常，人工神经网络的拓扑结构是预先确定的。然而，存在难以找到合适拓扑的问题。因此，拓扑和权重演化人工神经网络（TWEANN）算法已经被开发，其可以使用遗传算法来找到ANN拓扑和权重。大规模问题的一个众所周知的缺点是TWEANN算法通常会进化出低效的ANN，并且需要很长的运行时间。为了解决这个问题，我们提出了一种新的TWEANN算法，称为人工生命形式（ALF），具有以下技术进步：（1）通过结构和语义相似性形成更好的候选解决方案，（2）动态适应观察到的候选解决方案，以获得更好的收敛性能，以及（3）将解决方案质量集成到遗传繁殖中，以增加优化成功的概率。大规模ML问题的实验证实，这些方法可以快速解决这些问题，并导致有效的进化ANN。
2021-04-16 cs.NE
Hitting times of local and global optima in genetic algorithms with very high selection pressure
本文研究了具有很高选择压力的非精英遗传算法的局部或全局最优解集的期望首中时间的上界。本文的结果扩展了范围的情况下，上界的预期运行时间是已知的遗传算法，特别是适用于典型的遗传算法。所得到的界限不需要适应度递减突变的概率被一个小于1的常数所限制。
2016-06-30 cs.NE
PGU-SGP: A Pheno-Geno Unified Surrogate Genetic Programming For Real-life Container Terminal Truck Scheduling
针对数据驱动遗传编程在集装箱码头卡车调度等复杂问题中训练耗时的挑战，提出整合表型与基因型特征的代理算法PGU-SGP，减少训练时间约76%且性能更优，提升代理质量与收敛速度。
2025-04-15 cs.NE
Crystal structure prediction using neural network potential and age-fitness Pareto genetic algorithm
University of South Carolina（南卡罗来纳大学）
本文提出ParetoCSP算法，通过将基因型年龄作为独立优化标准增强NSGA-III，并结合M3GNet通用IAP指导多目标遗传算法搜索，在55个基准结构上以2.562倍优势超越GN-OA，显著提升了晶体结构预测的能力。
2023-09-13 cond-mat.mtrl-sci cs.LG cs.NE
The Influence of Local Search over Genetic Algorithms with Balanced Representations
我们继续研究遗传算法（GA）在组合优化问题的候选解决方案需要满足平衡约束。已经观察到，由ad-hoc交叉和变异算子授予的搜索空间大小的减小通常不转化为GA性能的实质性改善。对于这种现象仍然没有明确的解释，尽管有人怀疑平衡的表示可能会产生更不规则的适应度景观，其中GA可能更难以收敛到全局最优值。在本文中，我们研究这个问题，通过增加一个局部搜索步骤的GA与平衡运营商，并使用它来发展高度非线性平衡布尔函数。特别地，我们围绕两个研究问题组织我们的实验，即局部搜索（1）是否提高了GA的收敛速度，以及（2）是否降低了种群多样性。令人惊讶的是，虽然我们的研究结果肯定地回答了第一个问题，但它们也表明，添加本地搜索实际上\emph{increases}了种群中个体之间的多样性。我们将这些发现链接到最近的一些结果健身景观分析问题的布尔函数。
2022-06-22 cs.NE
An Adaptive Genetic Algorithm for Solving N-Queens Problem
本文介绍了一种元启发式方法来解决N皇后问题，以找到最佳的解决方案，在合理的时间。采用遗传算法，并引入一种新的适应度函数作为元启发式算法。N-Queens问题的目的是在一个N × N的棋盘上放置N个皇后，使得没有皇后与其他皇后发生冲突。详细描述了染色体表示和遗传操作，如突变和交叉。结果表明，这种方法产生有前途的和令人满意的结果，在更短的时间相比，从以前的方法获得的几个大的N值。
2017-11-01 cs.NE
Improving Time and Memory Efficiency of Genetic Algorithms by Storing Populations as Minimum Spanning Trees of Patches
本文提出将遗传算法的种群存储为补丁的最小生成树，以高效重算适应度，在内存和计算成本上实现显著甚至渐近改进。
2023-06-29 cs.NE
A Study of Fitness Landscapes for Neuroevolution
Universidade de Lisboa（里斯本大学）；NOVA Information Management School (NOVA IMS)（新里斯本大学信息管理学院）；Universidade Nova de Lisboa（新里斯本大学）
适应度景观是研究元生态学动力学的一个有用概念。在过去的二十年里，他们已经成功地应用于估计优化能力的几种类型的进化算法，包括遗传算法和遗传编程。但是，到目前为止，它们从未被用来研究机器学习算法在看不见的数据上的性能，也从未被应用于神经进化。本文旨在填补这两个空白，首次将适应度景观应用于神经进化，并使用它们来推断有关该方法预测能力的有用信息。更具体地说，我们使用基于语法的方法来生成卷积神经网络，并研究三种不同突变的动力学来进化它们。为了表征适应度景观，我们研究了自相关和熵测度的坚固性。结果表明，这些措施是适当的估计的优化能力和泛化能力的考虑神经进化配置。
2020-01-30 cs.LG cs.NE
On the Workings of Genetic Algorithms: The Genoclique Fixing Hypothesis
Brandeis University（布兰迪斯大学）
我们最近报道，简单的遗传算法（SGA）是能够执行一个显着的形式的次线性计算，有一个直接的连接与一般问题的相互作用的属性在数据挖掘。在本文中，我们解释了如何利用SGA的计算能力，执行有效的适应广泛的适应函数。基于一个实际的健身功能可能属于这一广泛的类相对容易，我们提出了一个新的假设的工作遗传算法。我们解释了为什么我们的假设是优于积木假设，并通过实证验证的方式，我们提出了一个实验的结果，其中使用一个简单的机制，称为夹紧显着提高了性能的SGA与均匀交叉大，随机生成的MAX 3-SAT问题的实例。
2009-05-15 cs.AI cs.NE
Computational Complexity Analysis of Multi-Objective Genetic Programming
遗传编程（GP）的计算复杂性分析是近年来通过分析求解ORDER和MAJORITY问题的简单（1+1）GP算法而开始的。在本文中，我们研究如何采取的复杂性作为一个额外的标准影响运行时的行为。我们考虑广义的顺序和多数，并提出了一个计算复杂性分析（1+1）GP使用多标准的健身功能，考虑到原来的目标和语法树的复杂性作为次要措施。此外，我们研究的预期时间，直到人口为基础的多目标遗传编程算法计算的Pareto前沿时，作为一个同样重要的目标的语法树的复杂性。
2012-03-22 cs.NE
Hybrid evolutionary algorithm with extreme machine learning fitness function evaluation for two-stage capacitated facility location problem
本文考虑了两阶段容量受限的设施定位问题（TSCFLP），其中工厂生产的产品通过仓库交付给客户。满足客户需求的前提是有限的工厂生产和有限的仓库储存能力。目标是确定工厂和仓库的位置，以使总成本（包括固定成本和运输成本）最小。提出了一种结合遗传操作和局部搜索的混合进化算法。为了避免在计算时间方面昂贵的群体适应度计算，HEA使用极端机器学习来近似大多数个体的适应度。此外，根据问题的特征，采用两种启发式算法来生成良好的初始种群。从最近的文献中的两组测试实例进行计算实验。该算法的性能进行了评估和分析。与现有的遗传算法相比，该算法可以在合理的计算时间内找到最优解或近似最优解。
2016-05-22 cs.NE math.OC
Genetic Algorithm with Innovative Chromosome Patterns in the Breeding Process
Department of Computer Science, Georgia Institute of Technology（计算机科学系，佐治亚理工学院）；Visa Inc.（Visa公司）
本文提出GAB算法，通过在繁殖过程中引入新染色体模式增强探索能力，显著缓解过早收敛并提高搜索多样性，在复杂作业调度和经典Flip-Flop问题上实现更快收敛与更高适应度，为大规模组合优化提供高效方案。
2025-06-26 cs.LG cs.NE stat.CO
Learning Fitness Functions for Machine Programming
Texas A&M University（德克萨斯农工大学）；Intel Labs（英特尔实验室）
针对机器编程问题，提出基于遗传算法的框架，利用神经网络学习适应度函数并引入最小侵入式搜索启发式策略，以更少候选程序生成次数发现更多正确程序。
2021-01-23 cs.LG cs.NE stat.ML
Why don't the modules dominate - Investigating the Structure of a Well-Known Modularity-Inducing Problem Domain
Australian National University（澳大利亚国立大学）
Wagner的模块化诱导问题域是对模块化演化研究的重要贡献，包括演化理论和演化计算。我们在经典的遗传算法下研究了它的行为。与我们在自然界中观察到的不同，模块化的出现是高度有条件和依赖的，例如，对搜索的渴望。在自然界中，模块化解决方案通常占主导地位的人口，而在这个领域，模块化，当它出现时，是一个相对罕见的变体。模块化的出现很大程度上取决于适应度函数的随机波动，如果适应度函数随机变化但不变，模块化的进化就少得多。有趣的是，高适应度的非模块化解决方案通常可以通过手动删除所有模块间的边来转换为更高适应度的模块化解决方案。尽管仔细探索，我们还没有一个完整的解释，为什么遗传算法是无法找到这些更好的解决方案。
2018-08-16 cs.AI cs.NE
Kozax: Flexible and Scalable Genetic Programming in JAX
Donders Institute for Brain, Cognition and Behaviour（唐德斯脑、认知与行为研究所）；Radboud University（拉德堡德大学）
针对遗传编程适应度评估计算需求高、缺乏高效通用框架的问题，提出基于JAX的Kozax框架，支持符号表达式演化、GPU高效扩展及自定义算子，可优化科学计算的白盒解决方案。
2025-04-15 cs.AI cs.NE
Sharpness-Aware Minimization in Genetic Programming
Michigan State University（密歇根州立大学）
本研究将锐度感知最小化（SAM）适配于树遗传编程（TGP），通过扰动程序树输入输出估计锐度作为优化准则，实验证实其可减小树规模、降低冗余且不损害精英解的泛化能力。
2024-05-17 cs.LG cs.NE
PyGAD: An Intuitive Genetic Algorithm Python Library
University of Ottawa（渥太华大学）
本文介绍了PyGAD，一个开源的易于使用的Python库，用于构建遗传算法。PyGAD支持广泛的参数，使用户能够控制其生存周期中的所有内容。这包括但不限于群体、基因值范围、基因数据类型、亲本选择、交叉和突变。PyGAD被设计为一个通用优化库，允许用户自定义适应函数。它的使用包括3个主要步骤：构建适应度函数，创建pygad.GA类的实例，以及调用pygad.GA.run（）方法。该库支持训练使用PyGAD本身或Keras和PyTorch等框架创建的深度学习模型。鉴于其稳态，PyGAD也在积极开发中，以响应用户在GitHub https://github.com/ahmedfgad/GeneticAlgorithmPython上请求的功能和增强。PyGAD附带文档https://pygad.readthedocs.io，以获取更多细节和示例。
2021-06-11 cs.CV cs.LG cs.NE
A Critical Reassessment of Evolutionary Algorithms on the cryptanalysis of the simplified data encryption standard algorithm
在本文中，我们分析了简化的数据加密标准算法的密码分析使用元密码学，特别是遗传算法。使用这种算法时的经典适应度函数是将解密消息的n-gram统计数据与目标消息的n-gram统计数据进行比较。我们表明，使用这样的功能是无关的情况下，遗传算法，只是因为没有真正的关键（最佳）和健身值之间的距离，换句话说，没有隐藏的梯度。为了强调这一假设，我们实验表明，遗传算法执行比随机搜索的简化数据加密标准算法的密码分析。
2014-07-08 cs.CR cs.NE
Incorporating Quantum Advantage in Quantum Circuit Generation through Genetic Programming
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；TUD Dresden University of Technology（德累斯顿工业大学）
针对遗传算法生成量子电路时适应度函数未纳入量子优势的问题，提出两种整合量子优势指标的新方法，并在 Bernstein-Vazirani 与非结构化数据库搜索问题上验证其可加快收敛并生成专家级电路。
2025-01-16 cs.AI cs.ET cs.NE
Genetic algorithm implementation for effective document subject search
本文介绍了遗传算法的软件实现，用于识别和选择最相关的结果，在顺序执行的主题搜索操作。模拟的进化过程生成可持续的和有效的搜索查询群体，形成文档或语义核心的搜索模式，创建所需文档的相关集合，允许搜索结果的自动分类。本文讨论了主题搜索的特点，论证了采用遗传算法的合理性，描述了适应度函数的参数，并描述了算法的基本步骤和参数。
2015-04-16 cs.IR 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
Multi-Representation Genetic Programming: A Case Study on Tree-based and Linear Representations
Centre for Data Science and Artificial Intelligence & School of Engineering and Computer Science, Victoria University of Wellington（数据科学与人工智能中心及工程与计算机科学学院，维多利亚大学）
本文提出一种结合树表示和线性表示的多表示遗传规划算法，并设计新的跨表示交叉算子，实证表明该方法有效提升了符号回归和动态作业车间调度问题的求解效果。
2024-05-23 cs.AI cs.NE
A Genetic Quantum Annealing Algorithm
遗传算法（GA）是一种基于遗传学和自然选择原理的基于搜索的优化技术。我们提出了一种算法，增强了经典的遗传算法与量子退火机的输入。与经典的GA一样，该算法的工作原理是根据适应度繁殖可能的解决方案。然而，个体群体是由量子退火器上的连续耦合定义的，然后通过量子退火产生代表尝试解决方案的相应表型集。这在算法中引入了一种形式的定向变异，可以以各种方式增强其性能。两个关键的增强来自于持续的耦合，其强度来自于父母的适应性（所谓的裙带关系），以及来自于退火耦合，其允许整个种群受到最适合的个体的影响（所谓的量子一妻多夫制）。我们发现我们的算法是显着更强大的几个简单的问题比经典的GA。
2022-09-15 cs.NE hep-ph hep-th
Potholes on the Royal Road
目前还不清楚进化算法（EA）如何搜索适应度景观，以及特定的EA在什么样的适应度景观上会做得很好。积木假说的有效性，传统的遗传算法理论的一个主要原则，仍然存在争议，尽管它继续使用，以证明索赔约EA。本文概述了一个研究计划，开始回答这些开放的问题，通过扩展皇家道路项目所做的工作。短期目标是找到一个简单的功能类，简单的遗传算法优化比其他优化方法，如爬山。一个辩证的启发式搜索这样的类。作为一个例子，使用的启发式，简单的遗传算法相比，一组登山的超平面定义的功能，坑洼功能的一个简单的子集。
2001-04-06 cs.NE nlin.AO
Genetic Generalized Additive Models
College of Engineering（工程学院）；Applied Science, University of Cincinnati（应用科学学院，辛辛那提大学）
本文提出使用NSGA-II算法自动优化GAMs，以提升预测精度并降低模型复杂度，实验表明其在准确性上优于基线模型且复杂度更低。
2026-02-02 cs.AI cs.LG cs.NE
Runtime Analysis of Cartesian Genetic Programming in Evolving Boolean Functions
University of Passau（帕绍大学）；RWTH Aachen University（亚琛工业大学）
本文首次对笛卡尔遗传规划在完全训练集上演化布尔函数进行运行时分析，证明构造n输入合取式的期望适应度评估次数为O(n D^5)，并发现非严格选择可加速至O(n D^4)，而异或函数需要指数时间。
2026-06-16 cs.AI cs.LG cs.NE
How Information Evolves: Stability-Driven Assembly and the Emergence of a Natural Genetic Algorithm
本文提出稳定性驱动组装（SDA）框架，通过随机组装与差分持久性偏倚，使长寿命结构更频繁，实现类似自然遗传算法的进化过程，展示了非平衡动态下的开放性动态。
2026-05-07 cs.NE nlin.AO q-bio.PE
Partnering Strategies for Fitness Evaluation in a Pyramidal Evolutionary Algorithm
University of the West of England（西英格兰大学）
本文将层次分布式遗传算法的思想与不同的代理间的合作策略相结合。子种群的级联集群是从自底向上的构建的，更高级别的子种群优化问题的更大部分。因此，较高级别的子群体以较低的分辨率搜索较大的搜索空间，而较低级别的子群体以较高的分辨率搜索较小的搜索空间。针对两个多项选择优化问题，检查了用于（子）适应度评估目的的不同伙伴选择方案的影响。结果表明，随机合作策略提供更好的抽样和更多的多样性表现最好。
2008-03-03 cs.AI cs.NE
Genetic algorithms and the art of Zen
Manchester Metropolitan University（曼彻斯特城市大学）
在本文中，我们提出了一种新的遗传算法（GA）解决方案，一个简单而具有挑战性的商业益智游戏被称为禅宗益智花园（ZPG）。我们详细描述了游戏，然后提出了一个合适的编码方案和候选解决方案的适应度函数。然后，我们比较的性能的遗传算法与A* 算法。我们的研究结果表明，遗传算法是有竞争力的知情搜索的解决方案的质量，并显着优于它的计算资源需求。最后，我们简要讨论了我们的研究结果对游戏解决和其他“现实世界”问题的影响。
2010-05-24 cs.AI cs.NE
Multi-population Ensemble Genetic Programming via Cooperative Coevolution and Multi-view Learning for Classification
Faculty of Engineering & Information Technology, University of Technology Sydney（工程与信息科技学院，技术悉尼大学）；Department of Civil and Architectural Engineering, Sultan Qaboos University（土木与建筑工程系，苏丹·卡布斯大学）；University Research and Innovation Center (EKIK), Obuda University（研究与创新中心（EKIK），奥布达大学）
本文提出多群体集成遗传规划（MEGP），融合协同进化与多视角学习，分解特征空间并行进化，经softmax加权聚合基因输出，在八个数据集上优于基线GP，提升分类性能与可解释性。
2025-09-16 cs.AI cs.NE
Guiding Genetic Programming with Graph Neural Networks
Poznan University of Technology（波兹南理工大学）
针对遗传规划中适应度函数信息利用不足的问题，提出EvoNUDGE方法，利用图神经网络从符号回归问题中提取额外知识生成子程序库，以初始化种群并引导搜索，实验证明其显著优于传统遗传规划和纯神经变体。
2024-11-03 cs.AI cs.LG cs.NE
