Benchmarking Evolutionary Algorithms For Single Objective Real-valued Constrained Optimization - A Critical Review
基准测试在开发新的搜索算法以及评估和比较当代算法思想方面起着重要作用。本文介绍了在考虑约束优化的基准问题时需要考虑的共同原则。根据这些原则，目前的测试进化算法的基准环境进行审查。除了这一行之外，读者还可以看到约束基准测试领域中可用问题域的概述。因此，该评论支持算法开发人员提供有关可用框架的优点和缺点的信息。
2018-10-05 cs.NE
Anomaly Detection with the Voronoi Diagram Evolutionary Algorithm
CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）；LRI（计算机科学基础研究所）；Université Paris-Saclay（巴黎萨克雷大学）；Thalés Research（泰雷兹研究中心）
提出了一种基于沃罗诺伊图的进化算法（VorEAl）。VorEAl使用沃罗诺伊图将输入空间划分为异常/正常子集。图是使用多目标生物启发方法进化的，以便联合优化分类指标，同时还能够表示训练数据集中不存在的数据空间区域。作为本文的一部分，VorEAl实验验证和对比类似的方法。
2016-10-27 cs.AI
Efficient SWE Agent Benchmarking via Trajectory-Aware Evaluation
Sun Yat-sen University（中山大学）；Huawei Cloud Computing Technologies Co., Ltd.（华为云计算技术有限公司）；Zhejiang University（浙江大学）
该研究针对软件工程智能体基准评估成本高的问题，提出PTA-IRT框架融合过程与结果信号，在低预算下优于基线，提升了基准评估效率。
2026-09-02 cs.AI cs.CL cs.SE
GeoChemAD: Benchmarking Unsupervised Geochemical Anomaly Detection for Mineral Exploration
The University of Western Australia（西澳大学）
本文提出GeoChemAD基准数据集，用于评估无监督地质异常检测方法，通过多区域、多采样源的数据提升模型泛化能力，提出GeoChemFormer框架在矿产勘探中表现优异。
2026-03-13 cs.AI cs.LG
ARAC: Benchmarking Auto-Research's Alignment and Completeness on End-to-End Researchs
本文提出ARAC-Bench基准框架，通过学术认知技能系统与三阶段诊断协议评估自动研究的对齐性等，对11个SOTA框架评估发现存在显著差距，且与博士候选人排名相关性强，为自主研究系统提供工具与奖励信号。
2026-08-14 cs.AI
Democratizing AI with Small Language Models: Structured Benchmarking and Parameter-Efficient Fine-Tuning for Local Deployment
Binghamton University（宾汉姆顿大学）
研究在硬件和治理约束下人工智能民主化问题，通过对九个小语言模型在特定基准测试上控制评估，采用共享参数高效微调管道，得出有序工作流程让部分低于3B的模型可成为结构化小众工作负载本地专家的结论。
2026-07-21 cs.AI
SpokeN-100: A Cross-Lingual Benchmarking Dataset for The Classification of Spoken Numbers in Different Languages
Department Artificial Intelligence in Biomedical Engineering（生物医学工程人工智能系）
该研究提出SpokeN-100，一个包含四种语言、32位说话者、12,800个音频样本的跨语言口语数字基准数据集，并设计了语言和数字分类任务，通过进化神经架构搜索在微控制器上实现了首个基准结果。
2024-03-14 cs.AI cs.SD eess.AS
Benchmarking Stopping Criteria for Evolutionary Multi-objective Optimization
Yokohama National University（横滨国立大学）
本文提出了一种评估终止准则性能的指标和基于文件的基准方法，解决了多目标优化中终止准则开发停滞的问题。
2026-04-28 cs.NE
A Continuous Information Gain Measure to Find the Most Discriminatory Problems for AI Benchmarking
Maastricht University（马斯特里赫特大学）；University of Strathclyde（思克莱德大学）；New York University（纽约大学）；Australian National University（澳大利亚国立大学）
本文介绍了一种信息论方法来选择一个子集的问题，它给出了最多的信息，一组问题的解决算法。这种方法在通用视频游戏AI（GVGAI）框架中的游戏上进行了测试，使我们能够识别出一组较小的游戏，这些游戏仍然提供了有关不同游戏代理能力的大量信息。这种方法可以使代理测试更有效。我们在测试少数几个游戏时可以达到与测试100多个游戏时几乎一样好的区分准确性，这在计算上通常是不可行的。此外，这种方法可以扩展到研究这些游戏之间的游戏设计的有效方差的维度，使我们能够确定哪些游戏以最互补的方式区分代理。
2020-05-18 cs.AI
MToP: A MATLAB Benchmarking Platform for Evolutionary Multitasking
School of Computer Science, China University of Geosciences（中国地质大学计算机学院）；Trustworthy and General Artificial Intelligence Laboratory, School of Engineering, Westlake University（西湖大学工学院可信与通用人工智能实验室）；College of Systems Engineering, National University of Defense Technology（国防科技大学系统工程学院）；School of Computer Engineering, Hubei University of Arts and Science（湖北文理学院计算机工程学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Centre for Frontier AI Research (CFAR), Agency for Science, Technology and Research（新加坡科技研究局前沿人工智能研究中心）
MToP是一个开源平台，提供多种多任务进化算法及实际应用问题，用于评估算法性能并促进多任务优化研究。
2026-02-10 cs.NE
Benchmarking Single Image Dehazing and Beyond
Cornell University（康奈尔大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Science and Technology of China（中国科学技术大学）；University of Sydney（悉尼大学）；Huazhong University of Science and Technology（华中科技大学）；Microsoft Research（微软研究院）；Texas A&M University（得克萨斯农工大学）
我们提出了一个全面的研究和评估现有的单图像去雾算法，使用一个新的大规模的基准包括合成和现实世界的朦胧图像，称为现实主义的单图像去雾（RESIDE）。RESIDE突出了不同的数据源和图像内容，并分为五个子集，每个子集用于不同的培训或评估目的。我们进一步提供了丰富的各种标准去雾算法的评估，从全参考指标，无参考指标，主观评价和新颖的任务驱动的评价。RESIDE上的实验揭示了最先进的去雾算法的比较和局限性，并提出了有前途的未来方向。
2019-04-22 cs.AI cs.CV cs.LG
TerminalWorld: Benchmarking Agents on Real-World Terminal Tasks
University College London（伦敦大学学院）；Nanjing University（南京大学）；Tencent（腾讯）
本文提出TerminalWorld，一个可扩展的数据引擎，能够自动从真实世界终端记录中反向工程高保真的评估任务。通过处理80,870条终端记录，生成1,530个经过验证的任务，涵盖18个真实世界类别，从短日常操作到超过50步的工作流，覆盖1,280个唯一命令。从中精选出200个代表性任务作为Verified子集。在八个前沿模型和六个智能体上全面评估发现，当前系统仍难以处理真实终端工作流，最高通过率为62.5%。此外，TerminalWorld捕捉到与现有专家整理的基准（如Terminal-Bench）不同的真实终端能力，仅与它们的分数有弱相关性（Pearson r=0.20）。自动化引擎使TerminalWorld本身具有真实性和可扩展性，使其能够评估智能体在真实终端环境中随着开发者实践的发展而变化。数据和代码可在https://github.com/EuniAI/TerminalWorld获取。
2026-05-21 cs.AI
MedXpertQA: Benchmarking Expert-Level Medical Reasoning and Understanding
Tsinghua University, Beijing, China（清华大学）；Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室）
MedXpertQA 构建了涵盖 17 个专科、4460 道题目的专家级医学推理基准，包含文本与多模态子集，并通过严格过滤、数据合成和专家评审评估 18 个领先模型，以弥补现有基准难度不足并支持 o1 类模型推理能力评测。
2025-06-06 cs.AI cs.CL cs.CV
Large Language Model-Based Benchmarking Experiment Settings for Evolutionary Multi-Objective Optimization
本文通过让大语言模型设计进化多目标优化算法的基准测试实验，揭示其隐式假设，发现LLMs通常建议经典设置（如NSGA-II、MOEA/D、NSGA-III在ZDT、DTLZ、WFG上使用HV和IGD指标）。
2025-02-28 cs.NE
Evolutionary Generation of Random Surreal Numbers for Benchmarking
本文提出用进化算法生成随机超现实数基准数据集，以支持超现实数算法的开发与评估，并可推广至其他网络数据生成。
2025-04-09 cs.NE math.CO
VibeSearchBench: Benchmarking Long-horizon Proactive Search in the Wild
Xiaohongshu Dots Studio & Unipat AI（小红书 dots 飞 studios 与 Unipat AI）
针对现有搜索基准中查询过于明确、单轮交互和固定模式评估导致用户体验与评估结果差距的问题，提出VibeSearch范式并构建VibeSearchBench基准，通过渐进式用户模拟和图匹配评估框架测试前沿模型，发现所有模型在长期上下文推理、主动意图激发和结构化知识构建方面仍存在显著不足。
2026-08-06 cs.AI cs.CL
Vision Transformers for Zero-Shot Clustering of Animal Images: A Comparative Benchmarking Study
Department of Chemistry and Bioscience（化学与生物科学系）；Aalborg University（奥尔堡大学）；Department of Architecture, Design and Media Technology（建筑、设计与媒体技术系）；Visual Analysis and Perception Lab（视觉分析与感知实验室）
本研究利用视觉变换器模型对动物图像进行零样本聚类，通过对比不同方法展示其在物种分类和生态模式识别中的有效性。
2026-02-03 cs.AI cs.CV
FedMABench: Benchmarking Mobile Agents on Decentralized Heterogeneous User Data
Zhejiang University（浙江大学）；Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）
本文提出首个面向异构场景的移动智能体联邦训练与评估基准FedMABench，涵盖多数据集、多算法、多模型和多应用，并通过实验揭示了联邦算法优于本地训练等关键发现。
2025-03-07 cs.AI cs.LG
Benchmarking the Fairness of Image Upsampling Methods
Ruhr University（鲁尔大学）；ETH Zurich（苏黎世联邦理工学院）；University of Hamburg（汉堡大学）
本文提出图像上采样方法公平性基准框架，构建UnfairFace数据集并评测多种现代上采样方法，发现现有方法均无法同时实现统计公平与多样性，凸显无偏训练集的重要性。
2024-04-29 cs.AI cs.CV cs.LG
Solution Subset Selection for Final Decision Making in Evolutionary Multi-Objective Optimization
Southern University of Science and Technology（南方科技大学）
一般来说，多目标优化问题并不只有一个最优解，而是有一组Pareto最优解，它们在目标空间中形成Pareto前沿。已经提出了各种进化算法来近似帕累托前沿使用预先指定的解决方案的数量。通过一次运行可获得数百种解决方案。从获得的解决方案中选择一个最终的解决方案被认为是由人类决策者完成的。然而，在许多情况下，决策者不想检查数百个解决方案。因此，需要选择所获得的解决方案的一个小子集。在本文中，我们讨论的子集选择的观点，最终决策。首先，我们简要介绍现有的子集选择研究。接下来，我们制定一个预期的损失函数的子集选择。我们还表明，制定的功能是相同的IGD加指标。然后，我们报告的实验结果，所提出的方法与其他基于指标的子集选择方法进行了比较。
2020-06-15 cs.AI cs.NE
Benchmarking HillVallEA for the GECCO 2019 Competition on Multimodal Optimization
本报告介绍了Hill-Valley进化算法2019版（HillVallEA 19）在GECCO 2019利基竞争多模态优化的限制下，在CEC 2013利基基准套件上的基准测试结果。性能进行了比较，在以前的版本的利基竞争的算法。
2019-07-25 cs.NE
EvoGPT-f: An Evolutionary GPT Framework for Benchmarking Formal Math Languages
本文提出进化框架EvoGPT-f，首次系统定量分析五种形式化数学语言在四种分词方法下的机器可学习性差异，为跨语言比较研究奠定基础。
2024-02-12 cs.AI cs.CL cs.LG
NeuroEvoBench: Benchmarking Evolutionary Optimizers for Deep Learning Applications
Technical University Berlin（柏林工业大学）；Science of Intelligence Cluster of Excellence（智能科学卓越集群）；Google DeepMind（谷歌DeepMind）
针对深度学习领域进化优化（EO）基准缺失、超参数实践不足的问题，研究团队推出专为深度学习设计的EO基准NeuroEvoBench，全面评估各类EO方法并探究核心科学问题，已开源。
2023-11-04 cs.LG cs.NE
Analyzing the Impact of Undersampling on the Benchmarking and Configuration of Evolutionary Algorithms
迭代优化算法的随机性导致固有的噪声性能测量。由于这些测量通常收集一次，然后重复使用，因此收集的样本数量将对算法比较的可靠性产生重大影响。我们表明，在根据有限的数据做出决策时，应该小心。特别是，我们表明，在许多基准研究中使用的运行次数，例如，COCO环境建议的默认值15可能不足以在众所周知的数值优化基准上可靠地对算法进行排名。此外，自动算法配置方法对样本量不足敏感。这可能导致配置器选择“幸运”但性能差的配置，尽管探索更好的配置。我们表明，依赖于平均性能值，因为许多配置器，可以需要大量的运行，以提供所考虑的配置之间的准确比较。在大多数情况下，普通的统计测试可以大大改善这种情况，但并不总是如此。我们展示了超过20%的性能损失的例子，即使使用统计竞赛来动态调整运行次数，就像irace所做的那样。我们的研究结果强调了适当考虑性能值的统计分布的重要性。
2022-04-22 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
BenchENAS: A Benchmarking Platform for Evolutionary Neural Architecture Search
自动设计深度神经网络架构的神经架构搜索（NAS）在过去几年中在许多应用中取得了突破性的成功。在各种NAS方法中，基于演化计算的NAS（ENAS）方法近年来受到了广泛的关注。不幸的是，公平比较和有效评价的问题阻碍了ENAS的发展。目前的基准架构数据集设计用于公平的比较只提供数据集，而不是ENAS算法或运行算法的平台。现有的有效评价方法要么不适用于基于人口的ENAS算法，要么过于复杂，难以使用。本文开发了一个名为BenchENAS的平台来解决这些问题。BenchENAS旨在通过在相同的环境和相同的设置下运行不同的算法来实现公平的比较。为了在通用的实验室环境下实现高效的评估，BenchENAS设计了一个可维护性高的并行组件和缓存组件。此外，BenchENAS易于安装，高度可配置和模块化，这带来了良好的可用性和易于扩展的好处。在该平台上对8种GPU利用率高的ENAS算法进行了高效的对比实验。实验证明公平比较问题确实存在，而BenchENAS可以缓解这一问题。已经建立了一个网站来推广BenchENAS，网址是https://benchenas.com，感兴趣的研究人员可以免费获得BenchENAS的源代码和文档。
2021-08-14 cs.NE
Clustering-Based Subset Selection in Evolutionary Multiobjective Optimization
子集选择是进化多目标优化算法的重要组成部分。聚类作为一种经典的将相似的数据点进行分组的方法，已经在一些领域中被用于子集选择。然而，基于聚类的方法还没有进行评估的上下文中的子集选择从EMO算法获得的解决方案集。本文首先回顾了一些经典的聚类算法。我们还指出，另一种流行的子集选择方法，即，基于逆世代距离（IGD）的子集选择可以被视为聚类。然后，我们进行了全面的实验研究，以评估各种聚类算法在不同情况下的性能。实验结果进行了详细的分析，并得出了一些建议，使用聚类算法的子集选择。此外，我们证明了决策者的偏好可以引入到基于聚类的子集选择。
2021-08-29 cs.NE
Benchmarking of GPU-optimized Quantum-Inspired Evolutionary Optimization Algorithm using Functional Analysis
本研究针对Ackley等三类典型复杂优化函数，对比GPU并行的量子启发式进化优化算法（QIEO）与遗传算法（GA）的性能，发现QIEO收敛更快、耗时更短且稳定性更强，是这类问题的潜在高效替代方案。
2024-12-12 cs.CE cs.NE
Benchmarking global optimization techniques for unmanned aerial vehicle path planning
Institute of Automation and Computer Science, Brno University of Technology（布尔诺理工大学自动化与计算机科学学院）
本文提出用无人机路径规划问题作为全局优化算法的基准测试，生成56个实例，通过比较十二种算法，发现进化算法表现最佳，并指出可变维度特征待深入研究。
2025-01-24 cs.NE cs.RO math.OC
Benchmarking Tabular Foundation Models as Surrogates in Expensive Evolutionary Optimization
Xidian University（西安电子科技大学）
本研究通过实验与理论分析，全面评估TabPFN作为昂贵优化代理模型的性能，发现其有效性高度依赖问题，需根据数据与问题特征选择性使用，并需定制管理策略。
2026-09-17 cs.LG cs.NE
Benchmarking Evolutionary Community Detection Algorithms in Dynamic Networks
本文针对动态网络社区发现中 GMA 的时间不一致问题，提出基准评测框架和广义模块度方法 NeGMA，并通过正确性、延迟和稳定性指标系统比较 sGMA、αGMA 与 NeGMA 在不同演化场景下的适用性。
2024-01-11 cs.NE cs.SI
Towards a Theory-Guided Benchmarking Suite for Discrete Black-Box Optimization Heuristics: Profiling $(1+λ)$ EA Variants on OneMax and LeadingOnes
演化计算方法的理论和实证研究相互补充，提供了两个根本不同的方法，以更好地理解黑箱优化算法。在离散优化中，这两个流彼此独立地发展，但我们今天观察到越来越多的人对协调这两个子分支感兴趣。在持续优化方面，COCO（COmparing Continuous Optimisers）基准测试套件已经成为理论家和实践者交流研究想法和问题的重要平台。在离散黑箱优化的研究领域中，没有被广泛接受的等价物。标志着一个重要的一步，填补这一空白，我们调整COCO软件的伪布尔优化问题，并从这一基准环境，允许细粒度的经验分析离散黑箱算法。在本文档中，我们将演示如何使用该测试床来分析进化算法的性能。更具体地说，我们研究的优化行为的几个$(1+λ)$ EA变种的两个基准问题OneMax和LeadingOnes。这种比较激发了对LeadingOnes上的$(1+λ)$ EA的优化时间的精细分析。
2018-08-17 cs.NE
Quality Indicators for Preference-based Evolutionary Multi-objective Optimization Using a Reference Point: A Review and Analysis
本文综述并分析使用参考点的偏好型进化多目标优化质量指标，揭示其适用区域、性质差异及对算法排名的影响。
2023-09-26 cs.NE
Benchmarking Differential Evolution on a Quantum Simulator
本研究针对差分进化算法，对比其在经典图灵计算与前沿量子计算下求解rastrigin、rosenbrock函数最小值的表现，通过改变初始化参数开展基准测试，报告了耗时、收敛性及资源利用率结果。
2023-11-06 cs.NE quant-ph
Fast Greedy Subset Selection from Large Candidate Solution Sets in Evolutionary Multi-objective Optimization
子集选择是进化多目标优化领域中一个有趣而重要的研究课题。特别是，在一个EMO算法与无界的外部档案，子集选择是一个必不可少的后处理过程中选择一个预先指定的数量的解决方案作为最终结果。在本文中，我们讨论了贪婪子集选择的效率的超体积，IGD和IGD+指标。贪心算法通常有效地处理子集选择。但是，当给出大量的解决方案时（例如，从无限外部存档中的数万个解决方案中选择子集），它们通常会变得非常耗时。我们的想法是使用子模属性，这是已知的超体积指标，以提高他们的效率。首先，我们证明了IGD和IGD+指标也是子模的。其次，基于子模性质，我们提出了一个有效的贪婪包含算法的每一个指标。然后，我们通过计算实验证明，所提出的算法是远远快于标准的贪婪子集选择算法。
2021-02-01 cs.NE
An evolutionary solver for linear integer programming
Riken Brain Science Institute（理化学研究所脑科学研究所）
本文介绍一种求解线性整数规划的进化算法。该策略是基于分离成整数子集和连续子集的变量;整数变量是固定的进化系统，和连续的功能，他们确定的线性规划求解器。我们报告的一些标准的基准问题得到的结果，并将它们与分支定界。进化算法的性能是有前途的。一般都能得到很好的可行解，在一些困难的基准测试中，它的性能优于分支定界法。
2014-07-27 cs.AI cs.NE math.OC
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
IOHexperimenter: Benchmarking Platform for Iterative Optimization Heuristics
我们介绍IOHexperimenter，IOHprofiler项目的实验模块，旨在提供一个易于使用和高度可定制的工具箱，用于对迭代优化算法进行基准测试，如局部搜索，进化和遗传算法，贝叶斯优化技术等。IOHexperimenter可以用作独立工具或作为使用IOHprofiler其他组件的基准测试管道的一部分，如IOHanalyzer，交互式性能分析和可视化模块。IOHexperimenter在优化问题和它们的求解器之间提供了一个有效的接口，同时允许对优化过程进行粒度日志记录。这些日志与现有的交互式数据分析工具完全兼容，从而大大加快了基准测试管道的部署。IOHexperimenter的主要组件是构建定制问题套件的环境和允许用户控制数据记录粒度的各种日志选项。
2022-04-17 cs.NE
Leveraging Benchmarking Data for Informed One-Shot Dynamic Algorithm Selection
进化算法在实践中应用的一个关键挑战是选择最适合手头问题的算法实例。使该决定进一步复杂化的是，不同的算法可能最适合于优化过程的不同阶段。因此，动态算法选择和配置是演化计算中的研究热点。然而，虽然超参数和参数控制研究通常假设在运行算法时需要选择算法的设置，但在没有先验信息的情况下，AutoML方法（如超参数调整和自动算法配置）假设在做出最终建议之前评估不同配置的可能性。然而，在实践中，我们经常处于这两种设置之间的中间地带，我们需要在运行之前决定算法实例（“oneshot”设置），但我们有（可能有很多）可用的数据，我们可以根据这些数据做出明智的决定。在这项工作中，我们分析了如何使用这些先验性能数据来推断知情的动态算法选择方案的伪布尔优化问题的解决方案。我们的特定用例考虑了一系列遗传算法。
2021-02-12 cs.NE
Robust Subset Selection by Greedy and Evolutionary Pareto Optimization
子集选择的目的是从基集中选择一个子集，以最大化某个目标函数，出现在各种应用中，如影响力最大化和传感器布局。然而，在现实世界的场景中，人们经常需要找到一个子集，该子集对（即，由于不确定性，在多个可能的目标函数上是好的，导致鲁棒子集选择的问题。本文考虑具有单调目标函数的鲁棒子集选择，放松了以前研究所要求的次模性质。我们首先表明，贪心算法可以获得一个近似比$1-e^{-βγ}$，其中$β$和$γ$是相关性和子模块比的目标函数，分别，然后提出EPORSS，进化Pareto优化算法，可以利用更多的时间来找到更好的子集。我们证明EPORSS也可以在理论上接地，实现类似的近似保证的贪心算法。此外，我们推导出了$β$的鲁棒影响力最大化的应用下界，并进一步进行实验，以验证贪心算法和EPORSS的性能。
2022-05-08 cs.CC cs.NE
Benchmarking that Matters: Rethinking Benchmarking for Practical Impact
针对进化计算领域当前基准测试实践与现实需求脱节的问题，本文指出其关键差距，提出构建受现实启发的基准、可访问特征空间及社区维护性能数据库的愿景，以推动科学与工业应用协同发展。
2025-11-15 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
A Linear Constrained Optimization Benchmark For Probabilistic Search Algorithms: The Rotated Klee-Minty Problem
随机搜索算法的开发、评估和比较在很大程度上依赖于基准测试。关于约束优化领域，目前可用的基准环境的数量与不同问题特征的数量无关。本文提出了一个可扩展的线性约束优化问题，适合于基准进化算法的建议。通过比较两个最近的EA变体，线性基准测试环境的证明。
2018-07-26 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
Performance Comparison of Surrogate-Assisted Evolutionary Algorithms on Computational Fluid Dynamics Problems
Institute of Automation and Computer Science, Faculty of Mechanical Engineering, Brno University of Technology（布尔诺理工大学机械工程学院自动化与计算机科学研究所）
本文在两个真实计算流体动力学问题上比较了11种单目标代理辅助进化算法，发现较新方法及采用差分进化的技术性能显著更优。
2024-02-26 cs.AI cs.NE math.OC
Benchmarking MOEAs for solving continuous multi-objective RL problems
该研究探究多目标进化算法（MOEAs）在复杂多目标强化学习（MORL）问题中的适用性与局限，提出表征MORL实例复杂度的框架，选取代表性问题开展基准测试并评估质量指标效用，为MORL研究与进化算法设计提供参考。
2025-05-19 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
Benchmarking Meta-heuristic Optimization
求解任何领域的优化任务都是一个非常具有挑战性的问题，特别是在处理非线性问题和非凸函数时。许多元启发式算法在求解非线性函数时是非常有效的。元启发式算法是一种独立于问题的技术，可以应用于广泛的问题。在这个实验中，一些进化算法将被测试，评估，并相互比较。我们将介绍遗传算法、差分进化、粒子群优化算法、灰狼优化器和模拟退火。它们将从许多角度进行性能评估，例如算法在整个代中的表现以及算法的结果如何接近最优结果。其他评价要点将在后面的章节中深入讨论。
2020-07-27 cs.NE
Feature-based Evolutionary Diversity Optimization of Discriminating Instances for Chance-constrained Optimization Problems
本文提出一种基于特征的进化多样性优化方法，利用(μ+1)进化算法生成能区分算法性能的多样化机会约束优化基准实例，并在随机权重的最多覆盖问题上验证了其有效性。
2025-01-24 cs.NE math.OC
Benchmarking NLopt and state-of-art algorithms for Continuous Global Optimization via Hybrid IACO$_\mathbb{R}$
本文提出了一种增量式连续优化蚁群算法（$IACO_\mathbb{R}$）的性能进行了比较分析，在NLopt库中提供的不同算法。主要目标是了解NLopt库中的各种算法如何与多轨迹本地搜索（Mtsls 1）技术结合使用。通过使用允许Mtsls 1和NLopt算法之间的概率选择的参数，在局部搜索策略中引入了混合方法。在停滞的情况下，基于在先前迭代中使用的算法进行算法切换。本文对这些方法在软计算（SOCO）和演化计算大会（CEC）2014基准测试上的性能进行了详尽的比较。对于这两个基准测试，我们得出结论，表现最好的算法是Mtsls1与BFGS局部搜索的混合变体。
2015-03-11 cs.NE
Empirical review of standard benchmark functions using evolutionary global optimization
我们采用了最近实施的遗传算法，研究了一系列的标准基准函数的全局优化。事实证明，它们中的一些作为具有挑战性的测试函数不是很有用，因为它们既不允许遗传算子的不同变体之间的区分，也不表现出类似于现实世界问题的维度缩放，例如原子和分子簇的全局结构优化。后一种属性似乎可以通过另外两种类型的基准函数更好地模拟。一种类型的设计是欺骗性的，这里以Lunacek的功能为例。另一种类型提供了额外的优点，即显著增加的复杂性和搜索空间特性的广泛可调性。对于后一种类型，我们使用基于随机分布高斯的实现。我们提倡使用后一种类型的测试函数进行算法开发和基准测试。
2012-07-18 cs.NE
The Paradox of Success in Evolutionary and Bioinspired Optimization: Revisiting Critical Issues, Key Studies, and Methodological Pathways
Tecnalia（泰克纳利亚（西班牙技术研究中心））
该研究针对进化与生物启发优化领域存在的基准测试不足、过拟合、理论薄弱等核心问题，梳理学界批评观点，提出算法设计、实验对比等准则，指明研究路径以推动领域创新与方法严谨性提升。
2025-01-13 cs.AI cs.NE
MOELIGA: a multi-objective evolutionary approach for feature selection with local improvement
Research Institute for Signals, Systems
本文提出MOELIGA，一种结合局部改进策略的多目标进化算法，用于在特征子集大小与分类精度之间取得平衡，通过实验验证其在14个数据集上优于或与现有方法相当的性能。
2026-04-07 cs.LG cs.NE
A Comparative Visual Analytics Framework for Evaluating Evolutionary Processes in Multi-objective Optimization
Southern University of Science and Technology（南方科技大学）
本文提出一个可视分析框架，通过交互式可视化支持对多个进化多目标优化算法的中间进化过程和解集进行比较分析，并通过基准与真实案例验证其有效性。
2023-08-10 cs.AI cs.HC cs.NE
