AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic Algorithm for Evolutionary Multitasking
传输优化是一个新兴的研究领域，致力于同时解决多个优化任务。在可以有效解决这个问题的不同方法中，进化多任务借助于演化计算的概念在单个搜索过程中解决多个问题。在本文中，我们介绍了一种新的自适应元启发式算法来处理进化多任务环境中的自适应迁移引导的多因子细胞遗传算法（AT-MFCGA）。AT-MFCGA依赖于元胞自动机来实现机制，以便在所考虑的优化问题之间交换知识。此外，我们的方法本身能够解释搜索过程中遇到和利用的任务之间的协同作用，这有助于我们理解相关优化任务之间的相互作用。一个全面的实验设置的目的是评估和比较的性能AT-MFCGA的其他著名的进化多任务的替代品（MFEA和MFEA-II）。实验包括11个多任务的情况下组成的20个实例的4个组合优化问题，产生最大的离散多任务环境解决日期。结果是决定性的，在由AT-MFCGA相对于其余的方法，这是由整个搜索过程中的任务之间的遗传可转移性的定量检查的补充提供的解决方案的优良品质。
2021-05-03 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
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
Genetic Transfer or Population Diversification? Deciphering the Secret Ingredients of Evolutionary Multitask Optimization
进化多任务最近出现了一种新的范式，使不同的优化任务之间的相似性和/或潜在的互补性（如果存在），以自主的方式加以利用，简单地通过解决它们与一个统一的解决方案表示方案。支撑未来算法进步的一个重要问题是更好地理解成功解决多任务问题背后的驱动力。在这方面，提出了两个（似乎完全不同的）想法，即（a）隐性遗传转移是促进高质量遗传材料在不同任务之间交流的关键因素，（b）人口多样化导致对涵盖所有任务的统一搜索空间进行有效的全球搜索。在本文中，我们提出了一些实证结果，提供了一个更清晰的画面，上述两个命题之间的关系。对于数值实验，我们使用数独谜题作为案例研究，主要是因为它们的功能，外表不同的谜题语句往往可以有几乎相同的最终解决方案。这些实验表明，虽然在许多情况下，遗传转移和种群多样性可以被视为同一枚硬币的两面，但正如本文所示，遗传转移的更广泛含义充分抓住了进化多任务的真正本质。
2016-07-19 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
Reducing training requirements through evolutionary based dimension reduction and subject transfer
训练脑机接口（BCI）系统以通过脑电图（EEG）数据理解受试者的意图目前需要与受试者进行多次训练会话，以便开发必要的专业知识来区分用于不同任务的信号。传统上，训练受试者的任务是通过引入训练和校准阶段来完成的，在该阶段期间，向受试者呈现一些反馈。该训练课程可能需要几个小时，这对于基于EEG的在线BCI系统是不合适的。另一种方法是使用同一个人或执行相同任务的一些其他受试者（受试者转移）的先前记录会话来训练分类器。本研究的主要目的是生成一种方法，允许使用其他科目的数据，同时减少数据的维度。该研究调查了减少受试者和分类器中必要的训练和校准时间的几种可能性，并解决了i）进化受试者转移和ii）使用其他受试者数据调整先前训练的方法（再训练）的影响。我们的研究结果表明，减少到40%的目标主题数据是足够的训练分类器。我们的研究结果还表明，纳入进化的主题转移的方法的优越性，并强调了适应其他科目的训练系统的可行性。
2016-02-06 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
Dominated Novelty Search: Rethinking Local Competition in Quality-Diversity
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Imperial College London（帝国理工学院）；Amherst College（阿默斯特学院）
本文提出Dominated Novelty Search，将Quality-Diversity重新表述为通过适应度变换而非显式收集机制实现局部竞争的遗传算法，消除了预定义边界和参数需求，在标准基准及高维、无监督场景中均显著优于现有方法。
2025-02-01 cs.LG cs.NE
Bayesian Inverse Transfer in Evolutionary Multiobjective Optimization
该研究提出进化多目标优化中的贝叶斯逆迁移概念及invTrEMO优化器，通过目标空间统一实现异构任务知识迁移，兼具高精度逆建模能力，收敛速度与建模精度优于现有先进算法。
2024-07-10 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
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
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
Scalable Transfer Evolutionary Optimization: Coping with Big Task Instances
在当今的数字世界中，我们面临着由众多基于云的大规模应用程序产生和操纵的数据和模型的爆炸式增长。在这样的设置下，现有的转移进化优化框架努力同时满足两个重要的质量属性，即（1）针对数量不断增长的源任务的可扩展性和（2）针对相关源到感兴趣的目标任务的稀疏性的在线学习敏捷性。满足这些属性将有助于将传输优化实际部署到具有大任务实例的场景，同时抑制负传输的威胁。虽然现有算法的应用仅限于数十个源任务，但在本文中，我们在任务数量上实现了两个以上数量级的扩展，即，我们有效地处理超过1000个源任务实例的场景。我们设计了一种新的转移进化优化框架，包括两个共同进化的物种在源知识空间和目标问题的解决方案的搜索空间中的联合进化。特别是，协同进化使学习到的知识能够在运行中进行编排，加快目标优化任务的收敛。我们已经进行了一系列广泛的实验，在一组实际动机的离散和连续优化的例子，包括大量的源任务实例，其中只有一小部分表示源目标相关性。实验结果表明，我们提出的框架不仅可以有效地扩展与不断增长的源任务的数量，但也有效地捕获相关的知识对稀疏的相关来源，满足可扩展性和在线学习敏捷性的两个显着特点。
2022-05-12 cs.NE
A Tribe Competition-Based Genetic Algorithm for Feature Selection in Pattern Classification
Northwestern Polytechnical University（西北工业大学）
特征选择一直是模式识别中的关键步骤，其中最常用的是进化算法，如遗传算法（GA）。然而，在各种遗传算法中使用的单独编码方案要么会对解决方案造成偏差，要么需要预先指定数量的特征，因此可能导致不太准确的结果。提出了一种基于部落竞争的遗传算法（TCbGA）用于模式分类中的特征选择。个体的群体被分成多个部落，并且修改初始化和进化操作以确保每个部落中所选特征的数量遵循高斯分布。因此，每个部落都专注于探索解决方案空间的特定部分。同时，部落竞争被引入到进化过程中，这使得获胜的部落，产生更好的个人，以扩大其规模，即有更多的个人搜索他们的解决方案空间的一部分。因此，该算法避免了对解决方案的偏见和对预先指定的特征数量的要求。我们已经评估了我们的算法对几个国家的最先进的特征选择方法在20个基准数据集。我们的研究结果表明，建议TCbGA算法可以更有效地确定最佳的特征子集，产生更准确的模式分类。
2017-04-28 cs.LG cs.NE
Competition on Dynamic Optimization Problems Generated by Generalized Moving Peaks Benchmark (GMPB)
本文介绍了可生成可控特征连续动态优化问题的广义移动峰值基准GMPB，说明其多样景观生成能力与参数调节方法，并指出其MATLAB版本已在EDOLAB平台发布。
2024-12-10 cs.NE
Bridging the Gap Between Theory and Practice: Benchmarking Transfer Evolutionary Optimization
本文提出一个基于数量、多样性和速度三维度的实用迁移进化优化基准套件，旨在评估现有算法并推动新方法发展，以弥合理论与实践差距。
2024-04-20 cs.NE
Learning to Transfer for Evolutionary Multitasking
提出 Learning to Transfer（L2T）框架，用 actor-critic 与近端策略优化学习进化多任务中的知识迁移时机和方式，显著提升隐式 EMT 对未见多任务优化问题的适应性。
2024-06-22 cs.NE
A Novel Population Initialization Method via Adaptive Experience Transfer for General-Purpose Binary Evolutionary Optimization
本文提出了一种基于自适应经验迁移的通用二进制优化群体初始化方法，通过少量函数评估生成高质量初始群体，有效提升复杂问题的求解性能。
2025-11-29 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
AI Olympics challenge with Evolutionary Soft Actor Critic
University of Padova（帕多瓦大学）；Human-Inspired Technology Research Center, University of Padova（帕多瓦大学仿人技术研究中心）
本研究针对IROS 2024的AI Olympics竞赛，提出结合进化策略的无模型深度强化学习解决方案，将介绍所用算法及方法细节。
2024-10-28 cs.AI cs.LG cs.NE
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
Transfer Dynamics in Emergent Evolutionary Curricula
New Jersey Institute of Technology（新泽西理工学院）；New York University（纽约大学）；Cross Labs, Cross Compass Ltd.（Cross Compass有限公司Cross实验室）
PINSKY是一个通过神经进化在游戏领域进行开放式学习的系统。它建立在Paired Open-Ended Trailblazer（POET）系统的基础上，该系统最初探索了双足步行者的学习和环境生成，并将其应用于通用视频游戏AI（GVGAI）系统中的游戏。以前的工作表明，通过共同进化的水平和神经网络政策，可以找到水平，成功的政策不能通过单独的优化创建。在人工生命领域研究作为一个潜在的开放式替代梯度为基础的健身，最小标准（MC）为基础的选择有助于促进进化种群的多样性。本文讨论的主要问题是开放式学习实际上是如何工作的，特别关注从一个进化分支（“物种”）到另一个进化分支的政策转移的作用。我们通过创建系统发育树，分析政策的演变轨迹，并根据物种类型在时间上分解转移来分析系统的动态。此外，我们分析了最小准则对生成水平多样性和物种间转移的影响。最具洞察力的发现是，物种间的转移虽然罕见，但对系统的成功至关重要。
2022-03-03 cs.AI cs.LG cs.NE
On the Transferability of Knowledge among Vehicle Routing Problems by using Cellular Evolutionary Multitasking
TECNALIA（泰克纳利亚研究中心）；Basque Research and Technology Alliance (BRTA)（巴斯克研究与技术联盟（BRTA））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））
多任务优化是最近引入的范例，专注于同时解决多个优化问题实例（任务）。多任务环境的目标是动态地利用任务之间现有的互补性和协同作用，通过遗传物质的转移相互帮助。更具体地说，进化多任务（EM）的决议多任务的情况下，使用继承自演化计算的概念。EM方法，如著名的多因子进化算法（MFEA）最近获得了显着的研究势头时，面对多个优化问题。本文将最近提出的多因子元胞遗传算法（MFCGA）应用于著名的有容量限制的车辆路径问题（CVRP）。总体而言，使用12个数据集构建了11个不同的多任务设置。这项研究的贡献是双重的。一方面，它是第一次应用的MFCGA的车辆路径问题的家庭的问题。另一方面，同样有趣的是第二个贡献，这是集中在定量分析的问题实例之间的积极的遗传转移。为了做到这一点，我们提供了一个实证演示不同的优化任务之间产生的协同作用。
2020-05-17 cs.AI 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
Clustering-based Transfer Learning for Dynamic Multimodal MultiObjective Evolutionary Algorithm
School of Automation and Electrical Engineering, Zhongyuan University of Technology（中原文理大学自动化与电气工程学院）；School of Electrical Engineering, Zhengzhou University（郑州大学电气工程学院）
本文提出基于聚类的自编码器预测机制，用于动态多模态多目标优化，通过构建基准测试函数和自适应尼奇策略，提升种群多样性和收敛性。
2025-12-22 cs.AI cs.NE
Towards Efficient Evaluation of Evolutionary Transfer Optimization: Case Studies on Task-Parameterized Applications
The Hong Kong Polytechnic University（香港理工大学）；China University of Petroleum (East China)（中国石油大学（华东））
该研究针对进化迁移优化（ETO）评估耗时问题，将任务参数化应用的串行计算重构为并行形式，在两类优化场景下分别实现256.72倍、93.91倍加速，为可扩展ETO提供实用方案并开源相关代码。
2026-09-07 cs.AI cs.NE
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
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
COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary Multitasking
TECNALIA, Basque Research and Technology Alliance (BRTA)（西班牙国家技术中心，巴斯克研究与技术联盟）；University of the Basque Country (UPV/EHU)（巴斯克大学）；Middlesex University London（密德萨斯大学伦敦）；Universidad de Cantabria（坎塔布里亚大学）；Toho University（东邦大学）
多任务优化是一个新兴的研究领域，在科学界引起了广泛的关注。这种范式的主要目的是如何通过执行单个搜索过程来同时解决多个优化问题或任务。实现这一目标的主要催化剂是利用待优化的任务之间可能的协同作用和互补性，通过它们之间的知识转移相互帮助（因此被称为转移优化）。在这种情况下，进化多任务通过诉诸演化计算的概念来同时解决手头的任务，从而解决传输优化问题。这项工作通过提出一种处理多任务环境的新颖算法方案来推动这一趋势。提出的方法，被称为协同进化蝙蝠算法，发现它的灵感来自共同进化策略和元启发式蝙蝠算法的概念。我们比较了我们提出的方法的性能与其多因子进化算法对应的15个不同的多任务设置，由8个参考实例的离散旅行商问题。实验和结果支持本研究的主要假设：提出的协同进化蝙蝠算法是一个很有前途的元启发式解决进化多任务的情况。
2020-03-24 cs.AI cs.NE
Visually Impaired Aid using Convolutional Neural Networks, Transfer Learning, and Particle Competition and Cooperation
Institute of Geosciences and Exact Sciences（地球科学与精确科学学院）
导航和移动是视障人士在日常生活中面临的一些主要问题。计算机视觉的进步导致了一些导航系统的提出。然而，它们中的大多数需要昂贵和/或重型硬件。在本文中，我们提出了使用卷积神经网络（CNN），迁移学习，和半监督学习（SSL）建立一个框架，旨在视障人士的援助。它具有低计算成本，因此可以在当前的智能手机上实现，而不依赖于任何额外的设备。智能手机摄像头可用于自动拍摄前方道路的照片。然后，它们将立即被分类，为用户提供几乎即时的反馈。我们还提出了一个数据集来训练分类器，包括具有不同类型的光、地板和障碍物的室内和室外情况。许多不同的CNN架构被评估为特征提取器和分类器，通过微调在更大的数据集上预先训练的权重。基于图的SSL方法，称为粒子竞争和合作，也用于分类，允许用户的反馈被纳入，而无需重新训练底层网络。在最佳监督和SSL场景中，拟议数据集的分类准确率分别达到92%和80%。
2020-05-09 cs.CV cs.LG cs.NE
Multiobjective Evolutionary Pruning of Deep Neural Networks with Transfer Learning for improving their Performance and Robustness
University of Granada（格拉纳达大学）；Andalusian Research Institute in Data Science and Computational Intelligence (DaSCI)（安达卢西亚数据科学与计算智能研究所（DaSCI））；TECNALIA（泰克纳利亚）；Basque Research & Technology Alliance (BRTA)（巴斯克研究与技术联盟（BRTA））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））
提出MO-EvoPruneDeepTL多目标进化剪枝算法，结合迁移学习与遗传算法，优化深度神经网络的性能、复杂度和鲁棒性，实验证明其有效且集成剪枝模型可提升整体性能。
2024-02-05 cs.AI cs.NE
An Efficient Evolutionary Deep Learning Framework Based on Multi-source Transfer Learning to Evolve Deep Convolutional Neural Networks
Victoria University of Wellington（惠灵顿维多利亚大学）
多年来，卷积神经网络（CNN）通过引入更复杂的拓扑结构，并向更深更宽的CNN扩展容量，不断取得更好的性能。这使得人工设计CNN变得非常困难，因此CNN的自动设计已经成为研究的焦点，它已经获得了优于人工设计CNN的CNN。然而，计算成本仍然是自动设计CNN的瓶颈。在本文中，受迁移学习的启发，提出了一种新的基于演化计算的框架，在不影响分类精度的情况下有效地进化CNN。所提出的框架利用多源域，这是比目标域数据集更小的数据集，以发展一个通用的CNN块只有一次。在此基础上，提出了一种新的叠加方法，既能加宽又能加深演化块，并提出了一种网格搜索方法来寻找最优叠加解。实验结果表明，该方法在不到40个GPU小时的时间内比15个同行竞争对手更快地获得了良好的CNN。在分类精度方面，该方法具有较强的竞争力，在CIFAR-10、CIFAR-100和SVHN数据集上的最佳出错率分别为3.46%、18.36%和1.76%。
2022-12-07 cs.CV cs.LG cs.NE
Controllability, Multiplexing, and Transfer Learning in Networks using Evolutionary Learning
Hokkaido University（北海道大学）；KAUST（阿卜杜拉国王科技大学）；Georgia Tech（佐治亚理工学院）；National Taiwan University（台湾大学）；IBM Research（IBM研究院）；IFISC (CSIC-UIB)（伊比利亚与海洋学研究所（西班牙高等科研理事会-巴利阿里群岛大学））；Karolinska Institute（卡罗林斯卡学院）；Navarrabiomed（纳瓦拉生物医学研究所）
网络是表示数据和计算的基本构建块。最近，在结构定义（浅或深）网络中的学习取得了显着进展。本文介绍了拓扑柔性网络在产生基本计算稳态输入输出操作约束下的进化探索搜索和学习方法。我们的成果包括：（1）四个数量级以上的网络辨识，实现稳态输入输出函数的计算，如带通滤波器、阈值函数和逆带通函数。其次，（2）学习网络在技术上是可控的，因为只需要少量的驱动节点就可以将系统移动到新的状态。此外，我们发现，所需的驱动节点的分数是恒定的进化学习过程中，这表明一个稳定的系统设计。(3)，我们的框架允许使用相同的网络多路复用不同的计算。例如，使用输入的二进制表示，网络可以很容易地计算三个不同的输入输出函数。最后，（4）提出的进化学习证明了迁移学习。如果系统学习一个函数A，那么学习B与从白板学习B相比平均需要更少的步骤。我们的结论是，约束进化学习产生大的鲁棒可控电路，能够复用和迁移学习。我们的研究表明，基于网络的稳态功能计算，代表细胞间通信网络的细胞模块或细胞内通信的内部分子电路，可能是生物启发计算的强大模型。这补充了概念化，例如基于吸引子的模型或储备池计算。
2019-11-04 cs.AI cs.LG cs.NE
Multiple simultaneous solution representations in a population based evolutionary algorithm
用于优化中的解决方案的表示可以对优化方法的性能具有显著影响。传统的基于种群的进化方法具有同质种群，其中所有解使用相同的表示。如果要考虑不同的表示，则需要不同的运行来研究相对性能。在本文中，我们说明了使用人口为基础的进化方法，Fresa，灵感来自草莓植物的繁殖，它允许多种表示共存的人口。Fresa是用Julia语言实现的。Julia提供动态类型和多重分派。在多重分派中，调用的函数在运行时间由传递给它的参数类型动态地确定。这使得在植物繁殖算法中的关键步骤的通用实现成为可能，该算法允许异质种群。搜索过程，然后自动导致代表之间的竞争。一个简单的案例研究，从间歇反应器系统的操作条件的设计来说明异质人口为基础的搜索。
2021-06-09 cs.NE cs.SY eess.SY
Optimize Cheap, Deploy Strong: Cost-Aware Cross-Tier Transfer for Evolutionary Optimization
IBM Research（IBM研究院）
该研究提出成本感知跨层迁移方法，解耦LLM角色，在低成本层级完成大部分搜索，跨层部署提示词，在多任务多模型上实现成本大幅降低且性能不劣于同层级优化。
2026-08-13 cs.AI cs.CL cs.LG
Evolutionary Algorithms in the Light of SGD: Limit Equivalence, Minima Flatness, and Transfer Learning
EPFL（洛桑联邦理工学院）；armasuisse S+T（瑞士国防采购与技术局科学与技术部）；HES-SO Valais/Wallis（瑞士西部高等专业学院瓦莱/瓦利斯分校）
该研究证明受Gillespie-Orr突变景观模型启发的GO-EAs进化算法在特定场景下与SGD形式等价，可实现二者的洞见迁移，并通过最小值平坦度、迁移学习等实验验证了二者的互鉴价值。
2023-05-20 cs.LG cs.NE q-bio.PE
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
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
