Knowledge-Assisted Dual-Stage Evolutionary Optimization of Large-Scale Crude Oil Scheduling
East China University of Science and Technology（华东理工大学）；Qingyuan Innovation Laboratory（清源创新实验室）；Bielefeld University（比勒费尔德大学）；Nanjing Tech University（南京工业大学）
针对含数千二元变量与非线性约束的大规模原油调度问题，本文建立全流程模型并提出启发式规则驱动的DSEA/HR双阶段进化算法，实验证明其优于现有数学规划与元启发式方法。
2024-01-09 cs.AI cs.NE
Learning Evolution via Optimization Knowledge Adaptation
Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education（教育部智能感知与图像理解重点实验室）；International Research Center for Intelligent Perception and Computation（智能感知与计算国际研究中心）；Xidian University（西安电子科技大学）
本文提出OKAEM模型，通过注意力机制参数化进化算子，实现优化知识的预训练和自适应优化，提升进化算法的知识转移与在线适应能力。
2026-04-21 cs.AI cs.CV cs.LG
Evolutionary Generative Adversarial Networks with Crossover Based Knowledge Distillation
Jilin University（吉林大学）
生成对抗网络（GAN）是一种对抗模型，它已被证明是有效的各种生成任务。然而，GAN及其变体也遭受许多训练问题，例如模式坍塌和梯度消失。在本文中，我们首先提出了一个通用的交叉算子，它可以广泛应用于GANs使用进化策略。在此基础上设计了一个进化GAN框架C-GAN，并将交叉算子与进化生成对抗网络（EGAN）相结合，实现了带交叉的进化生成对抗网络（CE-GAN）。在使用多种损失函数作为变异算子生成变异个体的前提下，对生成的样本进行评价，并允许变异个体以知识蒸馏的方式从输出中学习经验，模仿最佳输出结果，产生更好的后代。然后，我们选择了最好的后代作为父母，为后续的训练，使用神经网络作为评估器。在真实数据集上的实验证明了CE-GAN的有效性，并表明我们的方法在生成的图像质量和时间效率方面具有竞争力。
2021-07-19 cs.LG cs.NE
Performance Evaluation of Evolutionary Algorithms for Analog Integrated Circuit Design Optimisation
本文提出一种基于演化算法的模拟电路自动尺寸调整方法，通过粒子生成与修复边界函数实现定向搜索，修改并测试了四种算法，发现修改版人工蜂群算法在收敛速度和一致性上表现最优。
2023-10-19 cs.NE cs.SY eess.SY
Towards KAB2S: Learning Key Knowledge from Single-Objective Problems to Multi-Objective Problem
本文提出 ETO-PFSP 框架，通过核心迁移机制将单目标问题的位置构建块关键知识用于多目标置换流水车间调度，实证验证其有效性，并推动进化调度范式转变。
2023-06-28 cs.AI cs.NE
An Interactive Knowledge-based Multi-objective Evolutionary Algorithm Framework for Practical Optimization Problems
经验丰富的用户通常在解决现实世界的优化问题方面具有有用的知识和直觉。用户知识可以被公式化为变量间关系，以帮助优化算法更快地找到好的解决方案。这种变量间的相互作用也可以从优化运行的中间迭代中发现的高性能解决方案中自动学习-这一过程称为创新。这些关系，如果由用户审查，可以在新生成的解决方案中强制执行，以将优化算法导向搜索空间中实际有希望的区域。对于大规模的问题，这些变量关系的数量可能很高，这是一个挑战。本文提出了一种基于知识的交互式进化多目标优化（IK-EMO）框架，该框架从进化的高性能解决方案中提取隐藏的变量关系作为知识，与用户共享以接收反馈，并将其应用于优化过程以提高其有效性。知识提取过程使用系统和优雅的图形分析方法，该方法可以很好地与变量的数量进行缩放。建议IK-EMO的工作证明了三个大规模的现实世界的工程设计问题。所提出的知识提取过程的简单性和优雅性以及高性能解决方案的实现迅速表明了所提出的框架的强大功能。所提出的结果应激励进一步的相互作用为基础的优化研究，在实践中的日常使用。
2022-09-18 cs.NE
A Two stage Adaptive Knowledge Transfer Evolutionary Multi-tasking Based on Population Distribution for Multi/Many-Objective Optimization
多任务优化通常可以通过任务之间的知识转移获得比传统单任务优化更好的性能。然而，目前的多任务优化算法存在一些不足。对于高相似性问题，能够加快任务收敛速度的知识没有得到充分利用。对于低相似性问题，产生负迁移的概率很高，这可能导致优化性能下降。此外，以前提出的一些知识转移方法没有充分考虑如何处理种群陷入局部最优的情况。针对这些问题，提出了一种基于种群分布的两阶段自适应知识转移进化多任务优化算法EMT-PD。EMT-PD算法利用从概率模型中提取的知识，反映了整个种群的搜索趋势，可以加速和提高任务的收敛性能。在第一迁移阶段，采用自适应权值调整个体搜索的步长，降低负迁移的影响。在知识转移的第二阶段，进一步动态调整个体的搜索范围，提高种群的多样性，有利于跳出局部最优。在多任务多目标优化测试集上的实验结果表明，EMT-PD优于其他6种先进的多/单任务进化算法。为了进一步研究EMT-PD在多目标优化问题上的有效性，本文还设计了一个多任务多目标测试集。在新的测试集上的实验结果也证明了EMT-PD的竞争力。
2020-06-26 cs.NE
Meta knowledge assisted Evolutionary Neural Architecture Search
Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education（教育部智能感知与图像理解重点实验室）；Joint International Research Laboratory of Intelligent Perception and Computation（智能感知与计算联合国际实验室）；International Research Center for Intelligent Perception and Computation（智能感知与计算国际研究中心）；Collaborative Innovation Center of Quantum Information of Shaanxi Province（陕西省量子信息协同创新中心）；School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）
本文提出一种基于元学习框架的高效进化神经架构搜索方法，通过元学习率方案、自适应代理模型和周期性变异算子，在降低计算成本和信息损失的同时，实现了与最先进方法相当的性能和更强的鲁棒性。
2025-04-30 cs.AI cs.NE
Adaptive System Identification Using LMS Algorithm Integrated with Evolutionary Computation
Baghdad University（巴格达大学）
系统辨识是信号处理和通信学科中一个非常广泛的课题，具有十分重要的意义。我们在本文中的目标是显示如何简单的自适应FIR和IIR滤波器可以用于系统建模和演示自适应系统辨识的应用。本研究的主要目的是研究LMS算法及其改进的遗传搜索方法，即LMS-GA，搜索IIR滤波器的多模态误差表面，以避免局部极小值，并找到最佳的权重向量时，只有测量或估计数据。在有色输入信号的情况下，即，通过输入信号的功率谱密度和输入信号的自相关矩阵的傅里叶变换，在自适应FIR滤波器上显示相关输入信号。对FIR和IIR滤波器的自适应滤波进行了仿真，并对白色和彩色输入信号进行了测试，以验证基于遗传算法的LMS算法的有效性。
2018-07-17 cs.LG cs.NE eess.SP
Evolutionary Neural Architecture Search for Transformer in Knowledge Tracing
Anhui University（安徽大学）；Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education（教育部智能计算与信号处理重点实验室）；Guangdong University of Foreign Studies（广东外语外贸大学）
针对现有基于Transformer的知识追踪方法存在的手动选特征、单一全局建模难捕捉遗忘行为的问题，提出进化神经架构搜索方法，自动选特征并平衡局部/全局上下文建模，在两大教育数据集上验证了有效性。
2023-10-02 cs.AI cs.LG cs.NE
Towards Automated Knowledge Transfer in Evolutionary Multitasking via Large Language Models
Chongqing University（重庆大学）；Chongqing Ant Consumer Finance Co., Ltd（重庆蚂蚁消费金融有限公司）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong Polytechnic University（香港理工大学）
本文提出SKTD框架，利用大语言模型自动生成进化多任务优化中的知识转移方法，提升异构任务和多场景下的优化效果与泛化能力。
2026-03-31 cs.NE
Online Operator Design in Evolutionary Optimization for Flexible Job Shop Scheduling via Large Language Models
School of Computer Science, Guangdong University of Technology（广东工业大学计算机科学学院）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）
本文通过大语言模型实现进化优化中的在线运算符设计，提升EAs的效率和适应性。
2026-01-22 cs.AI 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
Symbiotic Connectivity: Optimizing Rural Digital Infrastructure with Solar-Powered Mesh Networks Using Multi-Objective Evolutionary Algorithms
提出开源生态整合模型，结合进化算法优化农村网状网络节点布局，实现互联网接入与共生能源分配，平衡技术进步与环境保护。
2024-06-04 cs.NE
Cultural Algorithm Toolkit for Multi-objective Rule Mining
Cauvery College for Women（考弗里女子学院）；AVVM Sri Pushpam College（AVVM 斯里普斯帕姆学院）
文化算法是一种受社会进化启发的进化算法，它由一个信念空间、一个种群空间和一个协议组成，该协议使这些源之间的知识交换成为可能。在人口空间中创建的知识被接受到信仰空间，而这些来源的集体知识相结合，以影响解决问题的个体代理的决策。分类规则属于数据采掘中的描述性知识发现，由于其代表了高度可理解的知识形式，因此最受用户的青睐。这些规则具有某些属性，使它们成为对用户有用的可操作知识形式。使用这些属性（即规则度量）评估规则。在目前的研究中，文化算法工具包的分类规则挖掘（CAT-CRM）的建议，它允许用户控制三个不同的参数集，即进化参数，规则参数以及代理参数，因此可以用于实验的进化系统，规则挖掘系统或基于代理的社会系统。实验结果进行观察的效果不同数量和类型的指标上的算法的性能基准数据集的报告。
2012-09-12 cs.AI cs.NE
Query-Specific Knowledge Summarization with Entity Evolutionary Networks
University of Illinois, Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）
给定一个查询，不像传统的IR找到相关的文档或实体，在这项工作中，我们专注于检索实体和它们的连接有见地的知识总结。例如，给定CS文献语料库上的查询“计算机视觉“，而不是返回“CNN”、“imagenet”和“svm”等相关实体的列表，我们感兴趣的是它们之间的连接，以及这些连接沿着特定顺序维度（例如时间）的演变模式。特别地，我们希望提供与查询相关的结构化知识，例如“svm”与“imagenet”相关而与“CNN”无关。此外，本研究亦试图建立模型，以了解网路连结的变化趋势，例如：2010年后，CNN与imagenet的关联度逐渐增加，使得知识演化的追踪成为可能。在这项工作中，为了促进这样一个新的有见地的搜索系统，我们提出了\textsc{SetEvolve}，这是一个统一的框架，基于非paranomal图形模型的进化网络建设从大型文本语料库。在合成数据上的系统实验和在真实语料库上的有见地的案例研究证明了\textsc{SetEvolve}的实用性。
2019-09-29 cs.IR cs.LG cs.NE
A Reinforcement Learning Perspective on the Optimal Control of Mutation Probabilities for the (1+1) Evolutionary Algorithm: First Results on the OneMax Problem
ISAE-SUPAERO, Université de Toulouse（高等航空航天学院，图卢兹大学）；ENAC, Université de Toulouse（国立民用航空学院，图卢兹大学）
我们研究如何强化学习可以用来优化控制进化算法中的参数。我们在OneMax函数上控制（1+1）进化算法的变异概率。该问题被建模为马尔可夫决策过程，并通过已知的转移概率与值迭代求解。然后通过Q-Learning（一种强化学习算法）求解，其中不需要精确的转移概率。这种方法还允许将以前的专家或经验知识纳入学习。它开辟了新的视角，正式和计算，优化的参数控制问题。
2019-05-09 cs.AI cs.NE
Multi-view Point Cloud Registration based on Evolutionary Multitasking with Bi-Channel Knowledge Sharing Mechanism
Xidian University（西安电子科技大学）
多视点云配准是三维重建的基础。由于从不同视点捕获的点云之间存在紧密的连接，因此如果适当地利用这些连接，则可以增强配准性能。因此，本文将注册问题建模为多任务优化问题，并提出了一种新的双通道知识共享机制，以有效和高效地解决问题。多视点云配准的建模是多任务优化。通过同时考虑两个点云的局部精度以及所涉及的所有点云的全局一致性，具有自适应阈值的适应度函数推导。此外，框架的协同进化搜索过程中定义的多个适应度函数属于相关的任务的并发优化。为了提高解的质量和收敛速度，建议的双通道知识共享机制发挥其作用。任务内知识共享引入了更容易解决的辅助任务，并且在辅助任务和原始任务之间共享有用的信息，加速了搜索过程。任务间知识共享挖掘了原始任务之间的共性，旨在防止任务陷入局部最优。在模型对象和场景点云上进行的综合实验表明了该方法的有效性。
2022-08-23 cs.CV cs.NE
Benchmark Problems for CEC2021 Competition on Evolutionary Transfer Multiobjectve Optimization
进化迁移多目标优化（ETMO）是演化计算领域的一个研究热点，其理论基础是在相关优化练习之间进行知识学习和迁移，从而提高其他优化练习的效率。此外，从人类解决问题的能力的角度来看，传输优化的潜力被认为是无价的，在这种能力中，知识的收集和重用是本能的。为了促进ETMO算法的研究，基准问题对ETMO算法分析具有重要意义，它可以帮助设计者或实践者更好地了解ETMO算法的优缺点。因此，本报告提出了40个基准函数，涵盖了各种配方模型、各种PS几何形状和PF形状、大规模变量、动态变化的环境等知识转移情况下的各种类型和属性。所有基准函数都已用JAVA代码实现，可从以下网站下载：https://github.com/songbai-liu/etmo。
2021-10-15 cs.NE
Multidomain Evolutionary Optimization on Combinatorial Problems in Complex Networks
针对复杂网络组合优化，提出多域进化优化框架，利用社区级图相似性度量、图学习网络对齐和自适应迁移机制，在对抗性链路扰动任务上优于经典进化优化。
2025-10-09 cs.NE
Self-Evolving Algorithm-Design Agents: Escaping In-Context Evolutionary Stagnation via Population-Curated Policy Optimization
State Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术全国重点实验室）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
针对算法设计智能体在上下文演化中易停滞的问题，提出种群策展策略优化（PCPO），通过全局种群与混合策略更新实现样本高效自演化，在芯片布局与GPU内核设计任务上超越现有方法。
2026-10-01 cs.AI cs.NE
Meme as Building Block for Evolutionary Optimization of Problem Instances
在文献中，进化优化的一个显着不足的探索领域是可以随着问题的解决而进化的优化方法的研究。特别是，目前的进化优化方法通常从头开始搜索或从零开始的知识状态，独立于给定的新的感兴趣的问题是如何类似于那些以前优化。因此，显然缺乏跨问题的自动知识转移和重用。以此为线索，本文介绍了一种新的模因计算范式的搜索，一个模型后，人类如何解决问题，并开始对智能进化优化问题的研究，通过转移的结构化知识的形式模因从以前的解决问题的经验，以提高未来的进化搜索。模因搜索范式由模因学习、模因选择、模因变异和模因模仿四个文化启发算子组成。学习算子从过去解决问题的经验中挖掘潜在结构形式的模因。选择算子识别在问题间复制和传播的适合模因，而变异算子将创新引入模因。另一方面，模仿算子定义了合适的模因如何同化到新遇到的问题的搜索过程中，从而实现高效和有效的进化优化。最后，全面研究两个广泛研究的挑战性以及建立NP难路由问题域，特别是，有能力的车辆路由（CVR）和有能力的弧路由（CAR），证实了高效率的智能进化优化问题的模因计算搜索范式。
2012-07-03 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
Multitasking Evolutionary Algorithm Based on Adaptive Seed Transfer for Combinatorial Problem
针对进化多任务优化中多任务、跨域迁移及负迁移难题，提出基于自适应种子迁移的多任务进化算法，通过维度统一、自适应任务选择与迁移策略，在同域和跨域多任务场景下实现了有竞争力的优化性能。
2023-08-24 cs.NE
An Evolutionary Multitasking Algorithm with Multiple Filtering for High-Dimensional Feature Selection
最近，进化多任务（EMT）已成功地用于高维分类领域。然而，现有的基于EMT的特征选择（FS）方法中多任务的生成相对简单，仅使用Relief-F方法将重要性相近的相关特征收集到一个任务中，无法为知识转移提供更多样化的任务。为此，本文设计了一种新的高维分类问题的EMT算法，该算法首先采用不同的过滤方法产生多个任务，然后通过知识转移改进竞争性群优化算法来有效地解决这些相关任务。首先，基于多种过滤方法设计了一种多样化的多任务生成方法，通过消除不相关的特征，生成多个相关的低维FS任务。通过这种方式，可以转移用于解决简单和相关任务的有用知识，以简化和加速原始高维FS任务的解决方案。然后，一个竞争性的群优化算法进行修改，同时解决这些相关的FS任务，通过它们之间传递有用的知识。大量的实验结果表明，所提出的基于EMT的FS方法可以获得一个更好的特征子集比几个国家的最先进的FS方法在18个高维数据集。
2022-12-17 cs.NE
EvoMem: Memory-Augmented Evolution for Code Optimization
AXXX；Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）；Applied AI Institute（应用人工智能研究院）
EvoMem是用于LLM驱动的进化程序搜索的持久记忆架构，可捕获复用变异知识，在多任务基准测试中提升了目标指标或搜索速度，减少冗余探索。
2026-08-12 cs.AI cs.NE
The application of Evolutionary and Nature Inspired Algorithms in Data Science and Data Analytics
University of Georgia（佐治亚大学）；Florida International University（佛罗里达国际大学）
在过去的30年里，科学家们一直在探索自然，包括动物和昆虫，以及生物学，以发现，理解和模拟解决大规模科学挑战的解决方案。仿生学的研究揭示了自然界中发现的生物结构和功能如何改善了我们的现代技术。在这项研究中，我们提出了我们在数据科学和数据分析中的进化和自然启发算法应用的发现，涉及预处理，监督算法和无监督算法三个主要主题。在所有应用中，在这项研究中，我们的目标是研究四种优化算法，这些算法是在数据科学和分析中使用进化和自然启发算法执行的。预处理部分的特征选择优化，有监督算法中的超参数整定优化和知识发现优化，无监督算法中的聚类优化。
2022-02-06 cs.AI cs.NE
Still doing evolutionary algorithms with Perl
Algorithm：：Evolutionary（A：：E from now on）是在2002年在慕尼黑的YAPC：：EU的一次演讲之后引入的。7年后，A：：E的版本是0.67（超过了它的“野兽数”0.666），并且已经被广泛使用，成为我们研究小组正在进行的大部分（计算机）科学的基础（当然，其他人并不多）。然而，还没有完成所有的工作;现在，A：：E正在与POE集成，以便进化算法（EA）可以与各种服务器组合，并用于客户端、服务器以及介于两者之间的任何东西。在这个演讲的同伴中，我将解释什么是进化算法，它们被用于什么，如何用Perl来做（使用CPAN中的这些或其他精细模块）以及进化算法可以为Perl做什么。
2009-08-04 cs.NE
Hybridization of Evolutionary Algorithms
进化算法是很好的通用问题求解器，但缺乏特定领域的知识。然而，问题的具体知识可以添加到进化算法的杂交。有趣的是，进化算法的所有元素都可以杂交。在本章中，我们讨论了进化算法的三个要素：目标函数、幸存者选择算子和参数设置的混合。作为目标函数，采用了传统方法构造问题解的启发式函数。然而，这个函数被嵌入到进化算法中，作为新解决方案的生成器。此外，通过局部搜索算法对目标函数进行了改进。提出了一种新的中性选择算子，它能够处理中性解，即具有不同表示但暴露目标函数相等值的解。该运算符的目的是将进化搜索引导到搜索空间的新的未发现区域。为了避免控制进化算法行为的参数的错误设置，采用了自适应的方法。最后，将这种混合自适应进化算法应用于两个现实世界中的NP-难问题：图的3-着色和服装行业中的标记优化。大量的实验表明，这些杂交改善了进化算法的结果很多。此外，还详细分析了特定杂交的影响。
2013-01-05 cs.NE
A Theoretical Analysis of Analogy-Based Evolutionary Transfer Optimization
该研究为基于类比的进化迁移优化建立理论基础，通过类比推理子过程联系ETO关键问题，提出两个性能增益定理，并从无免费午餐定理视角解释其条件优越性。
2025-03-27 cs.NE
Analysis of Evolutionary Algorithms on Fitness Function with Time-linkage Property
在实际应用中，许多优化问题具有时间关联性，即目标函数值既依赖于当前解，也依赖于历史解。虽然进化算法的严格理论分析在近二十年来得到了迅速发展，但从理论上理解进化算法在时间链接问题上的行为仍然是一个开放的问题。本文采取的第一步，严格分析进化算法的时间链接功能。基于基本的OneMax函数，我们提出了一个时间链接函数，其中最后一个时间步的第一位值被积分，但与当前的第一位具有不同的偏好。我们证明了在概率$1-o(1)$下，随机局部搜索和$(1+1)$ EA都不能找到最优解，而在概率$1-o(1)$下，$(μ+1)$ EA能够找到最优解.
2021-02-24 cs.NE
The use of knowledge in open-ended systems
Wichita State University（威奇托州立大学）；Syracuse University（雪城大学）
本文提出开放式演化系统中的知识使用与获取表示，揭示观察者“同意分歧”和框架相对性，并形式化局部知识、多自我时间推理及非逻辑推理模式的涌现。
2024-11-13 cs.AI cs.LO 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
Inheritance-Based Diversity Measures for Explicit Convergence Control in Evolutionary Algorithms
多样性是进化算法中的一个重要因素，以防止早熟收敛到一个单一的局部最优。为了在文学发展的过程中保持多样性，文学中存在着各种手段。我们分析多样性的方法，（a）有一个明确的和可量化的影响，在个人层面上的健身和（b）不需要（或很少）额外的领域知识，如特定领域的距离函数。我们还介绍了系谱多样性的概念，在更广泛的研究。我们表明，采用这些方法可以帮助进化算法的全局优化在许多情况下。
2018-10-30 cs.NE
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
Learning Where, What and How to Transfer: A Multi-Role Reinforcement Learning Approach for Evolutionary Multitasking
针对进化多任务算法知识迁移需定制设计的问题，本文提出多角色强化学习框架，从迁移配对、知识占比、迁移强度三方面实现可泛化的知识迁移策略，实验验证其性能达到当前最优。
2025-11-19 cs.LG cs.NE
LLM-FE: Automated Feature Engineering for Tabular Data with LLMs as Evolutionary Optimizers
Department of Computer Science, Virginia Tech（弗吉尼亚理工学院计算机科学系）
本文提出LLM-FE框架，结合LLM的领域知识和推理能力，通过进化搜索自动发现表格学习任务中的有效特征，优于现有方法。
2026-05-10 cs.AI cs.CL cs.LG
Island-Based Evolutionary Computation with Diverse Surrogates and Adaptive Knowledge Transfer for High-Dimensional Data-Driven Optimization
South China University of Technology（华南理工大学）；Singapore Management University（新加坡管理学院）；Nankai University（南开大学）
本文提出DSKT-DDEA算法，通过多样替代模型和自适应知识转移提升高维数据驱动优化的性能
2025-03-17 cs.LG cs.NE
A Multi-Transformation Evolutionary Framework for Influence Maximization in Social Networks
Xidian University（西安电子科技大学）
针对影响力最大化中变换选择困难的问题，提出多变换协同演化框架 MTEFIM，通过关系估计、自适应迁移和知识融合实现有收敛保证的竞争性能。
2022-11-02 cs.AI cs.NE cs.SI
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
Evolutionary Context Search for Automated Skill Acquisition
Institute of Science Tokyo, Japan（东京科学研究院）
进化上下文搜索通过进化方法发现非显而易见的上下文配对，显著提升模型性能，为自动化技能获取提供高效替代方案。
2026-02-18 cs.LG cs.NE
Automated Generation of Cross-Domain Analogies via Evolutionary Computation
类比在创造力中起着重要的作用，并广泛应用于科学和艺术。在本文中，我们介绍了一种新的进化算法（EA）的基础上自动生成跨域类比的技术。与现有的工作限制在计算类比制作两个给定的情况下，我们的方法，对于一个给定的情况下，是能够创建一个类比，随着新的类似情况本身。我们的算法是基于“模因”的概念，这是文化，或知识的单位，经历变化和选择下的健身措施，并表示不断发展的知识片作为语义网络。使用的适应度函数的基础上Gentner的结构映射理论的类比，我们证明了自发生成的语义网络，是类似于一个给定的基础网络的可行性。
2012-04-11 cs.NE nlin.AO
Rule-based Evolutionary Bayesian Learning
The Alan Turing Institute（艾伦·图灵研究所）；Imperial College London（帝国理工学院）；Newcastle University（纽卡斯尔大学）
在我们以前的工作中，我们介绍了基于规则的贝叶斯回归，这是一种利用两个概念的方法：（i）贝叶斯推断，用于一般框架和不确定性量化;（ii）基于规则的系统，用于将专家知识和直觉结合起来。由此产生的方法创建了一个惩罚相当于一个共同的贝叶斯先验，但它也包括信息，通常不会在一个标准的贝叶斯上下文中。在这项工作中，我们扩展了上述方法与语法进化，符号遗传编程技术，我们利用自动化的规则的推导。我们的动机是，语法进化可以潜在地检测模式的数据与有价值的信息，相当于专家知识。我们说明了使用基于规则的进化贝叶斯学习技术，将其应用到合成以及真实的数据，并检查点预测和相关的不确定性方面的结果。
2022-02-28 cs.LG cs.NE stat.ML
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
Accelerating evolutionary exploration through language model-based transfer learning
本文提出将迁移学习与基因表达式编程相结合，利用自然语言处理技术从历史优化方程中提取知识以指导初始解生成，从而提升符号回归中进化算法的收敛速率。
2025-02-04 cs.NE
Improving Many-Objective Evolutionary Algorithms by Means of Edge-Rotated Cones
给定$m$维目标空间中的一个点，该点的任何$\varepsilon$ -球都可以划分为不可比较区域、支配区域和控制区域。不可比区域的大小与支配（和主导）区域的大小之间的比率与$1/2^{m-1}$成比例地减小，即，帕累托主导的正体的体积与所有其他体积相比。由于这个原因，通过随机的各向同性突变来找到主导点变得越来越不可能。作为一种补救措施，在许多目标优化搜索停滞，在本文中，我们建议提高帕累托优势秩序涉及一个钝凸优势锥的收敛阶段的进化优化算法。我们提出了边旋转锥作为广义的帕累托优势锥的开口角可以控制一个单一的参数。该方法集成在几个国家的最先进的多目标进化算法（MOEAs）和测试基准问题的四，五，六和八个目标。计算实验表明，这些边缘旋转锥的能力，以提高多目标优化问题的MOEA的性能。
2020-06-19 cs.NE
Transfer Learning Based Co-surrogate Assisted Evolutionary Bi-objective Optimization for Objectives with Non-uniform Evaluation Times
大多数现有的多目标进化算法（MOEAs）隐含地假设每个目标函数可以在同一时间内进行评估。一般来说。这在许多现实世界的优化方案中是站不住脚的，其中不同目标的评估涉及具有不同时间复杂度的不同计算机模拟或物理实验。针对这一问题，提出了一种基于代理辅助进化算法（SAEAs）的迁移学习方案.该方案采用协同代理来模拟快、慢目标函数之间的函数关系，并引入可迁移实例选择方法从快目标的搜索过程中获取有用的知识.我们的DTLZ和UF测试套件的实验结果表明，该算法是有竞争力的解决双目标优化的目标有不均匀的评价时间。
2021-08-30 cs.NE
Finding Better Topologies for Deep Convolutional Neural Networks by Evolution
由于人工神经网络的非线性，设计深度卷积神经网络（CNN）的拓扑结构是一项具有挑战性的任务，并且通常只能应用启发式方法，例如试错法。进化算法可以解决适应度未知的优化问题。然而，进化算法是计算资源密集型的，这使得当涉及深度CNN时很难解决问题。在本文中，我们提出了一种进化策略来为深度CNN找到更好的拓扑结构。通过引入知识继承和知识学习的概念，我们的进化算法可以在有限的计算资源下运行。我们将所提出的算法应用于使用CIFAR-10数据集为图像分类任务寻找深度CNN的有效拓扑。在演进之后，我们分析了在此任务中表现良好的拓扑。我们的研究验证了人类设计的深度CNN中常用的技术。我们还发现，一些图形属性极大地影响系统的性能。我们应用了从进化中学到的指导原则，并设计了新的网络拓扑，这些拓扑在CIFAR-10、CIFAR-100和SVHN数据集上的性能优于残差网络，且层数更少。
2018-09-10 cs.NE
An Evolutionary Approach to Dynamic Introduction of Tasks in Large-scale Multitask Learning Systems
Google Research（谷歌研究院）
多任务学习假设能够从多个任务中学习的模型可以通过知识转移实现更好的质量和效率，这是人类学习的一个关键特征。然而，最先进的ML模型依赖于每个任务的高度定制，并利用大小和数据规模，而不是扩展任务的数量。此外，持续学习，增加了时间方面的多任务，往往集中在研究常见的陷阱，如灾难性遗忘，而不是在大规模的研究作为一个关键组成部分，以建立下一代人工智能。我们提出了一种进化的方法，能够生成大规模的多任务模型，支持动态添加新的任务。所产生的多任务模型是稀疏激活，并集成了基于任务的路由，保证有限的计算成本和更少的附加参数，每个任务的模型expands.The建议的方法依赖于知识划分技术，以实现免疫力对灾难性遗忘和其他常见的陷阱，如梯度干扰和负转移。我们的经验表明，所提出的方法可以共同解决69个公共图像分类任务，并取得有竞争力的结果，例如提高了竞争力的基准，如cifar10的最佳模型相比，实现了15%的相对误差减少最先进的公共数据训练。
2022-11-15 cs.AI cs.CV cs.LG
Large Language Models as Surrogate Models in Evolutionary Algorithms: A Preliminary Study
本文提出无需训练的LLM辅助进化算法LAEA，将LLM推理直接用作代理模型进行解的质量分类与回归预测，实验表明其性能可媲美传统代理模型。
2024-06-15 cs.NE
ParetoTracker: Understanding Population Dynamics in Multi-objective Evolutionary Algorithms through Visual Analytics
本文提出ParetoTracker可视分析框架，通过多层次分析方案和集成式可视界面，帮助用户理解多目标进化算法中的种群动态与进化机制，并在基准优化问题上验证其有效性。
2024-08-08 cs.HC cs.NE
Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains
Xiamen University（厦门大学）；City University of Hong Kong（香港城市大学）
机器人步态优化是指在各种内外约束条件下生成一条最优控制轨迹的任务。由于控制空间的维数很高，对于在复杂未知环境中行走的多足式机器人来说，这个问题尤其具有挑战性。现有文献往往将机器人的步态生成视为一个优化问题，针对机器人在特定环境下的行走，从零开始进行步态优化。然而，这样的方法不考虑使用预先获得的知识，这可能是有用的，在复杂的环境中提高运动生成的质量和速度。为了解决这个问题，本文提出了一个基于迁移学习的进化框架多目标步态优化，命名为Tr-GO。其思想是通过使用迁移学习技术初始化高质量的种群，因此任何类型的基于种群的优化算法都可以无缝集成到这个框架中。其优点在于，生成的步态不仅可以动态地适应不同的环境和任务，而且可以同时满足多个设计规范（例如，速度、稳定性）。实验结果表明，所提出的框架的有效性步态优化问题的基础上的三个多目标进化算法：NSGA-Ⅱ，RM-MEDA和MOPSO。当将预先获得的知识从平原地形转移到各种倾斜和崎岖的地形时，与非转移场景相比，所提出的Tr-GO框架至少加速了3-4倍的进化过程。
2020-12-24 cs.NE cs.RO
Physics-informed Evolutionary Strategy based Control for Mitigating Delayed Voltage Recovery
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Google Brain（谷歌大脑）；Google Inc（谷歌公司）
在这项工作中，我们提出了一种新的数据驱动，实时电力系统电压控制方法的基础上的物理指导Meta进化策略（ES）。主要目的是快速提供一个自适应控制策略，以减轻故障引起的延迟电压恢复（FIDVR）的问题。强化学习方法已经被开发用于相同或类似的具有挑战性的控制问题，但它们遭受训练效率低下和缺乏“角落或看不见”场景的鲁棒性。另一方面，在电力系统中已经开发了广泛的物理知识，但是在基于学习的方法中很少利用。为了解决这些挑战，我们引入了可训练的动作掩码技术，用于将物理知识灵活地嵌入RL模型中，以排除不必要或不利的动作，并在样本效率，控制性能和鲁棒性方面取得了显着的改善。此外，我们的方法利用过去的学习经验来获得代理梯度，以指导和加速训练中的探索过程。对IEEE 300节点系统的案例研究以及与其他最先进的基准方法的比较证明了我们方法的有效性和优势。
2021-11-29 cs.LG cs.NE cs.SY
Evolutionary Dynamic Optimization and Machine Learning
Salah Boubnider University（萨拉赫·布卜尼德大学）；Medicine Faculty（医学院）
本文首次全面探讨了进化动态优化（EDO）与机器学习（ML）之间的互惠整合，旨在克服进化计算的局限性并优化复杂的ML动态任务，从而激发该领域的创新研究。
2024-02-14 cs.LG cs.NE
