A Generalized Hybrid Real-Coded Quantum Evolutionary Algorithm Based on Particle Swarm Theory with Arithmetic Crossover
本文提出了一种用于复杂函数优化和组合优化的广义混合实数编码量子进化算法(HRCQEA)。HRCQEA的主要思想是设计一种新的变异和交叉算子。利用粒子群算法的进化方程,设计了一种单-多基因变异算法,并在新的交叉算子中引入了算术交叉的概念。在HRCQEA算法中,每个三倍体染色体代表一个粒子,粒子的位置通过SMM和量子旋转门(QRG)进行更新,可以在探索和利用之间取得平衡。该算法采用交叉算子扩展搜索空间,采用爬山选择和精英策略加快收敛速度。对背包问题和5个高维复杂函数的仿真结果表明,HRCQEA算法在发现全局最优解的能力和收敛速度方面具有较好的性能。
2013-03-06 cs.NE
Hybrid Augmented Lagrangian Method for General Constrained Optimization via Evolutionary Algorithms
Laboratory of Automation & Robotics (LAR), Department of Electrical & Computer Engineering, University of Patras(帕特雷大学电气与计算机工程学院自动化与机器人实验室)
研究一般约束优化问题,提出混合增广拉格朗日(HyAL)方法,结合增广拉格朗日框架与进化算法优势,解决迭代子问题。实验表明该方法在基准测试中表现出色,优于纯进化方法和先进数值算法,能有效处理高维约束问题。
2026-07-21 cs.NE
Hybridization of evolutionary algorithm and deep reinforcement learning for multi-objective orienteering optimization
多目标定向运动问题是经典的多目标路径问题,在过去的几十年里受到了广泛的关注。本研究试图通过一个问题分解框架来求解MO-OP,即将MO-OP分解为一个多目标背包问题(MOKP)和一个旅行商问题(TSP)。然后分别用多目标进化算法(MOEA)和深度强化学习(DRL)方法求解MOKP和TSP。MOEA模块用于选择城市,而DRL模块用于为这些城市规划哈密尔顿路径。这两个模块的迭代使用推动人口走向MO-OP的帕累托前沿。所提出的方法的有效性进行了比较,对NSGA-II和NSGA-III的各种类型的MO-OP的情况下。实验结果表明,该方法在几乎所有的测试实例上都表现出最好的性能,并表现出很强的泛化能力。
2022-06-21 cs.NE
Efficient Antenna Optimization Using a Hybrid of Evolutionary Programing and Particle Swarm Optimization
在本文中,我们提出了一种混合的进化规划(EP)和粒子群优化(PSO)算法的数值效率的天线阵列和元表面的全局优化。混合EP-PSO算法采用进化优化方法,将群体方向的标准自适应EP算法。作为例子,我们已经将这种混合技术应用到两个天线问题:非均匀间隔(非周期性)线性阵列的旁瓣电平降低和加载有部分反射元表面的印刷天线的波束成形。文中给出了混合EP-PSO技术与纯EP-PSO技术和纯PSO技术的详细比较,证明了这种混合技术在复杂天线设计问题中的有效性。
2022-05-11 cs.NE eess.SP physics.app-ph
The Hybridization of Branch and Bound with Metaheuristics for Nonconvex Multiobjective Optimization
针对非凸多目标优化问题,提出了一种结合分支定界法和多目标进化算法的混合框架。杂交利用了两种优化策略的互补特性。多目标进化算法的目的是诱导严格的下限和上界在分支定界过程。像这样的紧边界可以减少必须解决的子问题的数量。分支定界法保证了框架的整体收敛,提高了多目标进化算法的搜索能力。将NSGA-II和MOEA/D-DE作为多目标进化算法,给出了混合框架的实现。数值实验验证了混合算法的优势在于分支定界法和多目标进化算法的协同作用。
2022-12-09 cs.NE math.OC
A hybrid evolutionary algorithm with importance sampling for multi-dimensional optimization
针对多维优化问题,提出了一种基于重要性采样方法的混合进化算法。为了利用搜索过程中提供的信息,选择一组访问过的解决方案来为每个维度中的间隔提供分数,并且随着算法的进行而更新。具有较高得分的那些区间被认为是好区间,其用于通过良好遗传学池(具有较小适应度值的个体)之间的相互作用来估计最优解的联合分布。而优良遗传的抽样概率是通过这些估计的优良区间之间的相互作用来确定的。它是一种交叉验证机制,确定好区间和遗传的采样概率,并使用重要性采样方法设计交叉、变异和其他随机算子。由于遗传和区间的选择不直接依赖于适应度的大小,所产生的后代可以避免局部最优的陷阱。算法中还引入了一种纯随机进化算法,以保持种群的多样性。通过30个基准测试函数对算法的性能进行了测试,结果表明,该混合算法是一种有效的多维优化算法.
2013-08-23 cs.NE
Limit-behavior of a hybrid evolutionary algorithm for the Hasofer-Lind reliability index problem
该研究针对Hasofer-Lind可靠度指标问题中的混合微遗传算法,通过马尔可夫链分析证明了其收敛性,并指出遗传修复机制为条件稳定,为等式约束优化提供了理论保障。
2023-05-16 cs.NE
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
Hybridizing the 1/5-th Success Rule with Q-Learning for Controlling the Mutation Rate of an Evolutionary Algorithm
众所周知,进化算法(EA)实现峰值性能只有当它们的参数被适当地调整到给定的问题。更重要的是,已知最佳参数值可以在优化过程期间改变。参数控制机制是为识别和跟踪这些值而开发的技术。最近,一系列严格的理论工作证实了一些参数控制技术的优越性,最好的静态参数的EA。在这些结果中,有在优化OneMax问题时控制$(1+λ)$ ~EA的突变率的示例。然而,在[Rodionova等人,GECCO'19],这些技术的质量强烈依赖于后代群体大小$λ$。在这项工作中,我们介绍了一种新的混合参数控制技术,它结合了著名的五分之一成功规则与Q学习。我们证明,我们的HQL机制实现了与[Rodionova等人,GECCO'19]和这-与以前的参数控制方法相反-同时用于所有后代群体大小$λ$。我们还表明,HQL的性能并不局限于OneMax,而是扩展到其他几个基准问题。
2020-06-19 cs.NE
A Hybrid Evolutionary Algorithm Framework for Optimising Power Take Off and Placements of Wave Energy Converters
海浪能是一种可再生能源,因其对满足全球能源需求的巨大贡献而备受关注。在这项研究中,我们调查的问题,最大限度地提高所提供的能量的波浪能转换器(WEC)的农场。我们认为国家的最先进的完全淹没三系绳转换器部署在阵列中。这项工作的目标是使用启发式搜索,以优化功率输出的阵列在尺寸受限的环境中配置WEC的位置和功率起飞(PTO)设置为每个WEC。在波浪农场中模拟复杂的水动力相互作用是昂贵的,这限制了搜索只有几千个模型评估。我们探索了各种启发式的方法,包括合作和混合的方法。这些方法的有效性进行了评估,在两个真正的波的情况下(悉尼和珀斯)与两个不同规模的农场。我们发现,对称局部搜索与Nelder-Mead单纯形直接搜索相结合的回溯优化策略的组合能够优于先前定义的搜索技术高达3%。
2019-04-15 cs.NE
A Surrogate-Assisted Controller for Expensive Evolutionary Reinforcement Learning
强化学习(RL)和进化算法(EA)的结合旨在同时利用两种范式的样本效率以及多样性和鲁棒性。最近,基于这一原则的混合学习框架在各种具有挑战性的机器人控制任务中取得了巨大成功。然而,在这些方法中,来自遗传群体的策略通过与真实环境的交互来评估,限制了它们在计算昂贵的问题中的适用性。在这项工作中,我们提出了代理辅助控制器(SC),一种新颖而有效的模块,可以集成到现有的框架,以减轻计算负担的EA部分取代昂贵的政策评估。应用该模块的关键挑战是防止优化过程被代理引入的可能的假极小值所误导。为了解决这个问题,我们提出了两种策略SC控制混合框架的工作流。在OpenAI Gym平台的六个连续控制任务上的实验表明,SC不仅可以显着降低适应度评估的成本,而且还可以通过协作学习和进化过程提高原始混合框架的性能。
2022-04-27 cs.NE
Sequential, Parallel and Consecutive Hybrid Evolutionary-Swarm Optimization Metaheuristics
该研究对比了串行、并行、接续式混合PSO-GA元启发式算法与基础算法在多维度基准函数上的表现,证实混合算法收敛性与稳定性更优,还提出了带显式信息传递机制的新型接续混合PSO-GA算法。
2025-08-01 cs.NE math.OC
Hybrid Self-Attention NEAT: A novel evolutionary approach to improve the NEAT algorithm
本文提出混合自注意力NEAT,利用自注意力选择高维输入的关键部分并混合进化权重,克服原始NEAT局限,在Atari游戏中以更少参数取得可比分数。
2022-08-14 cs.AI 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
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
Pure and Hybrid Evolutionary Computing in Global Optimization of Chemical Structures: from Atoms and Molecules to Clusters and Crystals
综述了近十年来演化计算方法在原子、分子团簇和晶体等复杂势能面研究中的发展。发展的趋势表明,纯以及混合进化计算技术结合DFT已成为一个强大的工具,虽然工作的分子团簇一直相当有限。文献中有一些直接用遗传算法求解原子/分子薛定谔方程的尝试。在Born-Oppenheimer近似水平下,GA密度方法似乎是一种可行的工具,在未来几年中可以更广泛地探索,特别是在设计具有目标特性的分子和材料的背景下。
2015-08-31 cond-mat.mtrl-sci cs.NE physics.chem-ph
Hybrid Adaptive Evolutionary Algorithm for Multi-objective Optimization
多目标最优化进化算法的主要困难是如何找到一个合适的解,该解能够以高多样性收敛到真正的Pareto前沿。大多数现有的方法,这已经证明了他们的利基对各种实际问题,涉及两个和三个目标,面临着重大的挑战,在依赖的EA参数的选择。此外,设置这样的参数的过程被认为是耗时的,并且一些研究工作试图处理这个问题。提出了一种新的多目标优化算法MoHAEA。MoHAEA允许动态适应的应用程序的运营商的概率(率)演变的多目标问题的解决方案相结合的优势和分解为基础的方法。在10个广泛使用的多目标测试问题上,将MoHAEA与四种最先进的MOEA,即MOEA/D,pa $λ$ -MOEA/D,MOEA/D-AWA和NSGA-II进行了比较。实验结果表明,MoHAEA优于基准算法,它是如何能够找到一个覆盖良好,分布良好的一组点的Pareto阵线。
2020-04-29 cs.NE math.OC
A Hybrid Evolutionary Approach to Solve University Course Allocation Problem
BRAC University(BRAC大学)
针对大学课程分配问题,提出结合局部修复算法与改进遗传算法的混合进化算法,满足课程表无冲突等约束,兼顾时间效率、降低人工负担,经对比验证其准确率和时间效率优于基础优化算法。
2023-07-24 cs.AI cs.NE
A Hybrid Evolutionary Algorithm for Reliable Facility Location Problem
Southern University of Science and Technology(南方科技大学)
可靠设施选址问题是运筹学的一个重要研究课题,在现代供应链和物流的决策和管理中起着至关重要的作用。通过求解RFLP,决策者可以在设施中断或故障的风险下获得可靠的选址决策。在本文中,我们提出了一个新的模型的RFLP。与现有的假设不同,我们将分配给每个客户的设施数量设为自变量,这使得模型更接近于现实生活中的场景,但传统方法难以求解。为了解决这个问题,我们提出了EAMLS,一个混合进化算法,它结合了一个难忘的局部搜索(MLS)方法和进化算法(EA)。此外,还提出了一种新的l3-value度量,用于辅助算法收敛速度的分析和进化过程的检验。实验结果表明,我们的EAMLS的有效性和优越的性能,相比CPLEX求解器和遗传算法(GA),在大规模的问题。
2020-06-27 cs.AI cs.NE
A Study of Hybrid and Evolutionary Metaheuristics for Single Hidden Layer Feedforward Neural Network Architecture
Macquarie University(麦考瑞大学);Jamia Hamdard(贾迈亚哈姆达德大学)
本研究提出混合PSO-SGD及进化算法替代SGD训练单隐层前馈神经网络,显著降低训练MSE(90-95%),并验证了构建块假说的有效性。
2025-06-17 cs.AI 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
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
Cooperative guidance of multiple missiles: a hybrid co-evolutionary approach
本文针对多导弹协同制导中的非平稳性和连续控制问题,提出基于改进自然进化策略的混合协同进化协同制导律,并通过仿真验证了其高精度和有效性。
2023-04-15 cs.CE cs.MA cs.NE
Joint UAV Activation and Placement for Post-Disaster Wireless Restoration via a Hybrid Quantum-Inspired Evolutionary Framework
Mohammed V University in Rabat(拉巴特穆罕默德五世大学);Hassania School of Public Works (EHTP)(哈桑尼亚公共工程学院);School of Management, Telecommunications and Computer Science (SUPMTI)(管理、电信与计算机科学学院);Fordham University(福特汉姆大学);Misr Higher Institute for Commerce and Computers(埃及商贸计算机高等学院)
针对灾后通信恢复,提出混合K均值量子启发进化算法(HKQEA)联合优化无人机激活与布署,最小化数量并满足约束,实验表明用8架无人机实现高覆盖率与可行性,节省硬件成本。
2026-09-16 cs.NE
An Approach to Solve Linear Equations Using a Time-Variant Adaptation Based Hybrid Evolutionary Algorithm
Khulna University of Engineering and Technology(库尔纳工程与技术大学)
本文提出一种基于时间变适应的混合进化算法,用于高效求解大规模线性方程,通过对比实验验证其在效率上的优越性。
2013-04-11 cs.NA cs.NE math.NA
Synthesizing multi-layer perceptron network with ant lion, biogeography-based dragonfly algorithm evolutionary strategy invasive weed and league champion optimization hybrid algorithms in predicting heating load in residential buildings
Oxford Brookes University(牛津布鲁克斯大学)
热负荷(HL)精确近似的意义是本研究的主要动机,以区分最有效的预测模型之间的几个神经元启发式模型。提出的模型是通过综合多层感知器网络(MLP)与蚁群优化(ALO),基于地理的优化(BBO),遗传算法(DA),进化策略(ES),入侵杂草优化(IWO)和联赛冠军优化(LCA)的混合算法。每个合奏优化的操作人口。因此,ALO-MLP、BBO-MLP、DA-MLP、ES-MLP、IWO-MLP和LCA-MLP分别在350、400、200、500、50和300的群体大小下表现出最佳性能。通过实施排名系统进行比较。基于获得的总评分(OS),BBO(OS = 36)是最有效的优化技术,其次是ALO(OS = 27)和ES(OS = 20)。由于这些算法的有效性能,相应的MLP可以是有前途的替代传统方法用于HL分析。
2021-02-13 cs.LG cs.NE
Large Language Model Aided Multi-objective Evolutionary Algorithm: a Low-cost Adaptive Approach
本文提出将大语言模型与多目标进化算法结合的自适应混合框架,通过辅助评估和自动提示构建加速收敛,同时降低LLM交互成本,以提升搜索能力和泛化性能。
2024-10-03 cs.NE
Optimisation of Large Wave Farms using a Multi-strategy Evolutionary Framework
波浪能是一种发展迅速、前景广阔的可再生能源。这项研究的主要目标是最大限度地提高一个大型波浪发电场的总利用功率,该发电场由完全浸没的三系绳波浪能转换器(WEC)组成。大型风电场的能量最大化是一个具有挑战性的搜索问题,因为大型风电场中WEC之间的水动力相互作用的计算成本很高,而且搜索空间的维数很高。为了解决这个问题,我们提出了一个新的混合多策略进化框架相结合的智能初始化,二进制人口为基础的进化算法,离散局部搜索和连续的全局优化。为了评估所提出的混合方法的性能,我们将其与各种最先进的优化方法进行比较,包括六种连续进化算法,四种离散搜索技术和三种混合优化方法。结果表明,所提出的方法在收敛速度和农场产量方面表现得更好。
2020-03-21 cs.NE eess.SP
ES-ENAS: Efficient Evolutionary Optimization for Large Hybrid Search Spaces
Google(谷歌);Columbia University(哥伦比亚大学);Oxford University(牛津大学);Waymo(Waymo公司);UC Berkeley(加州大学伯克利分校);University of Washington(华盛顿大学)
在本文中,我们探讨的问题,优化黑箱函数在大型混合搜索空间组成的组合和连续参数。我们表明,以前的进化算法依赖于基于突变的方法,而灵活的组合空间,从理论上和经验上都遭受了在高维连续空间的维数灾难,从而限制了它们的范围在混合搜索空间以及。为了对抗这个诅咒,我们提出了ES-ENAS,一个简单的和模块化的联合优化过程,结合了样本有效的平滑梯度技术,通常被称为进化策略(ES),以高度可扩展和直观的方式与组合优化器相结合,灵感来自于高效神经结构搜索(ENAS)中引入的一次性或超网范式。通过这样做,我们实现了显着更多的样本效率,我们经验证明了合成基准,并进一步能够应用ES-ENAS架构搜索流行的RL基准。
2023-03-15 cs.LG cs.NE cs.RO
Large Scale Global Optimization by Hybrid Evolutionary Computation
Institute for Development and Research in Banking Technology(银行技术发展与研究院);University of Hyderabad(海得拉巴大学)
在管理、商业、经济、科学、工程和研究领域,大规模全局优化(LSGO)起着主导和重要的作用。虽然LSGO在许多应用领域都有应用,但它是一个非常麻烦和不合理的任务。演化计算大会(CEC)发起了一项LSGO竞赛,以提出一系列标准基准无约束LSGO函数的算法。因此,在本文中,我们提出了一种混合元启发式算法,它结合了改进和修改的和声搜索(IMHS),以及一个改进的差分进化(MDE)与备用选择策略。和声搜索(HS)的工作是探索和利用,而差分进化的工作是对IMHS的探索进行扰动,因为和声搜索会陷入局部最优。为了判断所提出的算法的性能,我们比较了所提出的算法与10个优秀的元启发式算法的15个LSGO基准函数,其中有1000个连续的决策变量,CEC 2013 LSGO特别会议。实验结果一致表明,我们提出的混合元启发式算法在统计上与一些算法在少数问题上表现相当,而在几个问题上它是最好的。
2019-10-09 cs.AI cs.NE
A Hybrid Artificial Bee Colony Algorithm for Graph 3-Coloring
人工蜂群(ABC)是一种优化算法的名称,它的灵感来自蜜蜂群的智能行为。它被广泛认为是一种快速、可靠、高效的求解优化问题的方法。针对图3-着色这一离散优化问题,提出了一种混合ABC(HABC)算法。HABC的结果与著名的图着色算法的今天,即Tabucol和混合进化算法(HEA)和传统的进化算法与SAW方法(EA-SAW)的结果进行了比较。大量的实验表明,HABC匹配的竞争结果的最好的图着色算法,并做得更好,比传统的算法EA-SAW解决均匀,平坦,随机生成的中型图。
2012-05-06 cs.NE
A reinforcement learning guided hybrid evolutionary algorithm for the latency location routing problem
针对延迟位置路由问题,提出一种强化学习引导的混合进化算法,结合多样性增强交叉与强化学习引导邻域下降,在76个实例中改进了51个最优解,显著超越现有方法。
2024-03-21 cs.DM 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
Hybrid Wave-wind System Power Optimisation Using Effective Ensemble Covariance Matrix Adaptation Evolutionary Algorithm
本研究针对漂浮式混合风浪系统的复杂优化问题,提出结合协方差矩阵适应、新颖性搜索和离散化技术的有效集成优化(EEA)方法,在多个海域测试中显著提升了系统的平均功率输出和收敛率。
2025-05-28 cs.NE
A Hybrid Decomposition-based Multi-objective Evolutionary Algorithm for the Multi-Point Dynamic Aggregation Problem
Beijing Institute of Technology(北京理工大学);Victoria University of Wellington(惠灵顿维多利亚大学)
多点动态聚合(MPDA)问题是一个在实际应用中出现的优化问题,已成为多机器人系统的研究热点之一。本文研究了一个多目标MPDA问题,即设计机器人的执行计划,使机器人的数量最少,所有任务的最大完成时间最短。机器人和任务之间的强耦合关系,MPDA编码的冗余性,以及MO-MPDA问题的可变大小的决策空间,为有效地解决这个问题提出了额外的挑战。针对上述问题,提出了一种基于$ \varepsilon $约束的混合分解多目标进化算法(HDMOEA)。该算法以所有任务的最大完成时间为主要目标,将其他目标转化为约束条件。HDMOEA将MO-MPDA问题分解为一系列标量约束优化子问题,并为每个子问题分配一个机器人数量上限。所有的子问题的优化同时从其他子问题的知识转移。此外,我们开发了一个混合种群初始化机制,以提高初始解的质量,和一个复制机制,以传递有效的信息和解决编码冗余。实验结果表明,所提出的HDMOEA方法显着优于国家的最先进的方法在几个最常用的指标。
2021-05-11 cs.AI cs.NE
SpiderNet: Hybrid Differentiable-Evolutionary Architecture Search via Train-Free Metrics
Red Hat(红帽公司);Newcastle University(纽卡斯尔大学)
神经结构搜索(NAS)算法旨在消除人工神经网络设计的负担,并已被证明能够为各种众所周知的问题设计优秀的模型。然而,这些算法需要以用户配置或硬编码决策的形式的各种设计参数,这限制了可以发现的网络的种类。这意味着NAS算法并没有消除模型设计调优,它们只是转移了需要应用调优的地方的负担。在本文中,我们提出了蜘蛛网,一个混合微分进化和硬件感知算法,快速,有效地产生国家的最先进的网络。更重要的是,SpiderNet是一个最小配置NAS算法的概念验证;在其他算法中看到的大多数设计选择都被纳入SpiderNet的动态演化搜索空间,将用户选择的数量最小化到只有两个:减少单元数和初始通道数。SpiderNet生成的模型与最先进的模型具有很强的竞争力,并且在准确性、运行时间、内存大小和参数计数方面优于随机搜索。
2022-04-20 cs.CV cs.LG cs.NE
Hybrid multi-objective evolutionary algorithms for service placement in the computing continuum: a comparative study with genetic traceability
University of the Balearic Islands(巴利阿里群岛大学)
研究计算连续体中多目标服务放置问题,采用协作混合岛模型MOEA,通过两个实验活动进行异构混合的系统应用与分析,结合多种指标评估,结果表明混合方法优于多数独立基线,各岛贡献不均,有效验证了混合合作。
2026-07-16 cs.DC cs.NE
Evolutionary Action Selection for Gradient-based Policy Learning
Fudan University(复旦大学)
进化算法和深度强化学习(Deep Reinforcement Learning,DRL)是近年来发展起来的一种混合算法,它们可以充分利用这两种方法的优势,更好地进行探索和开发。在这些混合算法中,进化部分保持了策略网络的种群。然而,现有的方法主要关注优化策略网络的参数,这对于进化算法来说通常是高维和棘手的。我们将进化的目标从高维参数空间转移到低维行为空间,提出了一种新的混合进化行为选择-双延迟深度确定性策略梯度(EAS-TD 3)方法。我们专注于优化策略网络所选择的动作,并试图通过进化算法获得高质量的动作来促进策略学习。我们对具有挑战性的连续控制任务进行了实验,结果表明EAS-TD 3比其他最先进的方法表现出更好的性能。
2022-09-16 cs.LG cs.NE
Particle Swarm Optimization: A survey of historical and recent developments with hybridization perspectives
粒子群优化(PSO)是一种超启发式全局优化范式,在过去的二十年中由于其易于应用于无法使用传统确定性算法解决的无监督,复杂的多维问题而变得突出。规范粒子群优化算法基于鸟类和鱼群的群集行为和社会合作,并大量借鉴了这些生物的进化行为。本文旨在提供一个彻底的调查PSO算法,特别强调其最基本的发展,部署和改进,以及一些国家的最先进的实现。概念和方向上选择的惯性权重,收缩因子,认知和社会的权重和观点的收敛,并行化,精英主义,小生境和离散优化以及邻域拓扑结构进行了概述。杂交尝试与其他进化和群体范例在选定的应用程序涵盖和最新的审查提出了感兴趣的读者。
2019-01-04 cs.NE
A Many-Objective Evolutionary Algorithm Based on Decomposition and Local Dominance
多目标进化算法,特别是基于分解的多目标进化算法,近年来受到了广泛的关注。最近的研究表明,分解方法和支配方法的良好设计的组合可以提高性能,即,一个经济部的趋同性和多样性。本文提出了一种将分解方法和控制方法相结合的新方法。更精确地说,一组权重向量被用来分解一个给定的多目标优化问题(MaOP),并提出了一种混合的方法,基于惩罚的边界相交函数和优势的比较局部解定义的权重向量的子种群。一个基于混合方法的MOEA被实现,并在两个著名的测试套件中选择的问题上进行测试,DTLZ和WFG。实验结果表明,我们的算法是非常有竞争力的处理MaOP。随后,我们的算法扩展到解决约束MaOP,我们的算法的约束版本也表现出良好的性能,在收敛性和多样性。这表明,利用局部优势并将其与分解方法相结合,可以有效地提高MOEA的性能。
2019-09-04 cs.NE
Bridging Evolutionary Algorithms and Reinforcement Learning: A Comprehensive Survey on Hybrid Algorithms
College of Intelligence and Computing, Tianjin University(天津大学智能与计算学院);Montreal Institute of Learning Algorithms (MILA)(蒙特利尔学习算法研究所);Department of Computer Science and Engineering, Southern University of Science and Technology(南方科技大学计算机科学与工程系)
本文全面综述了进化强化学习(ERL)领域,将进化算法(EA)与强化学习(RL)融合,系统总结了三种主要研究方向:EA辅助RL优化、RL辅助EA优化以及EA与RL协同优化,并分析了各分支解决的问题及未来挑战。
2026-05-24 cs.AI cs.LG cs.NE
EvoSampling: A Granular Ball-based Evolutionary Hybrid Sampling with Knowledge Transfer for Imbalanced Learning
School of Computer Science and Technology, Dalian University of Technology(大连理工大学计算机科学与技术学院);Key Laboratory of Social Computing and Cognitive Intelligence (Dalian University of Technology), Ministry of Education(社会计算与认知智能重点实验室(大连理工大学));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);Department of Computer Science, Hong Kong Baptist University(香港浸会大学计算机科学系)
针对类别不平衡问题,提出EvoSampling混合采样方法,结合遗传规划多任务过采样与粒度球欠采样,在20个数据集上提升分类性能,知识迁移加速进化。
2024-12-12 cs.AI cs.LG cs.NE
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering(先进科学与工程研究生院);Hiroshima University(广岛大学)
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题,提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法,并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO
Rolling Horizon Evolutionary Algorithms for General Video Game Playing
Queen Mary University of London(伦敦玛丽女王大学);Microsoft Research Cambridge(微软剑桥研究院)
游戏进化算法,特别是滚动地平线进化算法,最近在许多视频游戏中成功击败了最先进的胜率。然而,游戏中的最佳结果高度依赖于几篇论文中引入的修改和混合的特定配置,每一篇论文都为核心算法添加了额外的参数。此外,由于可能性空间已经超出了穷举搜索,因此仅从少数人类选择的组合中找到了先前公布的最佳参数。本文介绍了滚动时域进化算法的最新技术,结合文献中描述的所有修改,以及新的,一个大的结果混合。然后,我们使用参数优化器,N-Tuple Bandit进化算法,从通用视频游戏AI框架中找到20个游戏的最佳参数组合。此外,我们分析了算法的参数和一些有趣的组合,通过优化过程。最后,我们通过自动探索RHEA的大参数空间,在几个游戏上找到了新的最先进的解决方案。
2020-08-24 cs.AI cs.NE
Evolutionary Algorithm for Chance Constrained Quadratic Multiple Knapsack Problem
The University of Adelaide(阿德莱德大学)
针对具有随机利润的机会约束二次多重背包问题,提出结合进化算法与多因子优化局部策略的混合方法,在严格约束下表现优异。
2025-11-04 cs.NE
SHIELD: Sustainable Hybrid Evolutionary Learning Framework for Carbon, Wastewater, and Energy-Aware Data Center Management
Colorado State University(科罗拉多州立大学);Hewlett Packard Labs(惠普实验室)
针对地理分布式数据中心碳排放、水足迹高及能源成本上升的问题,提出融合机器学习引导局部搜索与分解进化算法的SHIELD框架,协同优化多项目标,在效率和优化效果上均显著优于现有方法。
2023-08-24 cs.DC cs.LG cs.NE
Applying Autonomous Hybrid Agent-based Computing to Difficult Optimization Problems
进化多智能体系统(Evolutionary Multi-Agent Systems,EMAS)在处理复杂的多维问题方面表现出了很好的性能,基于马尔可夫链模型的分析从理论上证明了其有效性。目前,将自主杂交技术引入EMAS的研究仍在继续。本文重点介绍了一个建议的混合版本的EMAS,并涵盖了选择和引入一些混合运营商和定义规则开始混合的步骤的主要算法。这些混合步骤利用了现有的、众所周知的和被证明是有效的元算法,并将其结果集成到主算法中。讨论的修改进行评估的基础上,一些困难的连续优化基准。
2022-10-24 cs.NE
Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power Output
The University of Adelaide(阿德莱德大学);Sapienza University of Rome(罗马大学);The Australian Institute for Machine Learning(澳大利亚机器学习研究院);KTH Royal Institute of Technology(瑞典皇家理工学院)
可靠的风力涡轮机功率预测对于风电场的规划、调度和控制以实现稳定的电力生产至关重要。近年来,机器学习(ML)方法已成功应用于包括可再生能源在内的广泛领域。然而,由于风电场功率预测的挑战性,目前的模型远远达不到行业所需的精度。在本文中,我们部署了一种复合ML方法-即混合神经进化算法-用于准确预测风力涡轮机农场的功率输出。我们使用历史数据的监督控制和数据采集(SCADA)系统作为输入,以估计在瑞典的陆上风电场的功率输出。在初始阶段,分别采用k-means聚类方法和自动编码器来检测和过滤SCADA测量中的噪声。接下来,与先验知识,基本的风模式是高度非线性和多样化的,我们结合了自适应差分进化(SaDE)算法作为超参数优化器,和一个递归神经网络(RNN)称为长短期记忆(LSTM)的风力涡轮机在农场的功率曲线建模。在实验中,我们考虑了两个短期预报视野,包括10分钟前和1小时前。我们表明,我们的方法优于其同行。
2020-04-02 cs.LG cs.NE eess.SP
Adaptive Knowledge-based Multi-Objective Evolutionary Algorithm for Hybrid Flow Shop Scheduling Problems with Multiple Parallel Batch Processing Stages
本文研究具有并行批处理机器的混合流水车间调度问题(PBHFSP),提出基于自适应知识的多目标进化算法(AMOEA/D),通过混合初始化、关键路径邻域搜索及自适应搜索时间调整等策略,同时优化最大完工时间和总能耗,实验证明其优于现有先进算法。
2024-09-27 cs.NE cs.SY eess.SY
Generative Evolutionary Strategy For Black-Box Optimizations
针对高维黑盒优化难题,提出进化策略与生成神经网络协同的混合方法,实现可靠代理训练并在实验中优于ES和贝叶斯优化基线。
2024-01-27 cs.NE
A Hybrid Evolutionary System for Automated Artificial Neural Networks Generation and Simplification in Biomedical Applications
University of A Coruna(拉科鲁尼亚大学);Georgia Tech(佐治亚理工学院)
生物医学数据的数据采掘和数据分类是计算机科学的两个重要研究领域。在众多可用于此目的的技术中,神经神经网络(ANN)是最合适的技术之一。该技术发展中的主要问题之一是整个过程的缓慢性能。传统上,在这个开发过程中,需要人类专家来试验不同的架构过程,直到他们找到一个能够解决特定问题的正确结果。然而,已经出现了许多研究,其中描述了不同的ANN开发技术,或多或少自动化。在本文中,作者专注于开发一种新技术来对生物医学数据执行此过程。新技术中,两个演化计算(EC)技术混合自动开发人工神经网络。这些技术是遗传算法和遗传编程。这项工作更进一步,这里描述的系统允许获得具有少量神经元的简化网络来解决问题。该系统相比,已经存在的系统,也使用EC一组众所周知的问题。从这些比较得出的结论表明,这种新系统产生了非常好的结果,在最坏的情况下,至少与现有技术相当,在许多情况下,更好。
2019-04-09 cs.LG 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
Subspace Learning for Feature Selection via Rank Revealing QR Factorization: Unsupervised and Hybrid Approaches with Non-negative Matrix Factorization and Evolutionary Algorithm
Toronto Metropolitan University(多伦多都会大学);University of Toronto(多伦多大学)
从高维数据中选择最具信息量和鉴别力的特征是机器学习和数据工程中的一个重要课题。使用基于矩阵分解的技术如非负矩阵分解进行特征选择已经成为特征选择中的一个热门话题。使用矩阵分解的特征选择的主要目标是提取近似原始空间但在较低维度中的子空间。在这项研究中,秩显示QR(RRQR)因子分解,这是计算上比奇异值分解(SVD)便宜,利用在获得最丰富的功能作为一种新的无监督特征选择技术。该技术使用QR的置换矩阵进行特征选择,这是该因子分解方法的独特性质。此外,QR分解嵌入到非负矩阵分解(NMF)的目标函数作为一种新的无监督特征选择方法。最后,提出了一种结合RRQR和遗传算法的混合特征选择算法。在该方法中,使用RRQR分解去除冗余特征,并使用遗传算法选择最具鉴别力的特征子集。该算法是可靠的和强大的,当与最先进的特征选择算法在监督,无监督和半监督设置。所有的方法进行了测试,7个可用的微阵列数据集,使用KNN,SVM和C4.5分类。实验结果表明,该方法与现有的特征选择方法在评价指标上具有可比性。
2022-10-02 cs.LG cs.NE
Covariance Matrix Adaptation Greedy Search Applied to Water Distribution System Optimization
配水系统设计是一个具有挑战性的优化问题,具有大量的搜索维度和约束条件。通过这种方式,进化算法(EA)已被广泛应用于优化WDS,以最大限度地减少成本,同时满足压力约束。本文提出了一种新的混合进化框架,包括三个不同的阶段。第一阶段应用CMA-ES,这是一种用于连续优化的鲁棒自适应元启发式算法。这之后是向上贪婪搜索阶段,以消除压力违规。最后,使用向下贪婪搜索阶段来减少过大的管道。为了评估混合方法的有效性,它被应用到五个著名的WDS的案例研究。结果表明,新的框架优于CMA-ES本身和其他以前应用的算法在大多数基准的优化速度和网络成本。
2019-09-11 cs.NE