Multi-agent evolutionary systems for the generation of complex virtual worlds
现代电影、游戏和虚拟现实应用都依赖于令人信服的计算机图形。高度复杂的模型是成功交付许多场景和环境的必要条件。虽然渲染、合成和动画等工作流程已被简化以适应不断增长的需求，但复杂模型的建模仍然是一项艰巨的任务。本文介绍了计算效益的交互式遗传算法（IGA）的计算机图形建模，同时补偿用户疲劳的影响，一个共同的问题与交互式演化计算。智能代理与IGA结合使用，IGA提供了通过从人类设计师所做的选择中学习并相应地指导搜索来减少用户疲劳的影响的潜力。此工作流可加速基本元素的布局和分布，以形成复杂的模型。它通过互动捕捉设计师的意图，并鼓励有趣的发现。
2016-04-20 cs.NE
Using evolutionary design to interactively sketch car silhouettes and stimulate designer's creativity
提出了一种交互式遗传算法来逐步绘制汽车侧面轮廓。它采用傅立叶分解的二维轮廓作为基因型，并提出了一个交叉机制。此外，一个公式函数的两个基因的差异拟合的感知两辆车的配置文件之间的差异。在一系列的用户测试中，这种相似性指数被广泛使用，以突出IGA与系统的汽车外形探索相比的附加值，证明其创造卓越满意设计的能力，并激发设计师的创造力。这些测试涉及六个设计师，他们的设计目标由语义属性定义。结果表明，如果“友好”是diletary解释的汽车形状，“运动”表示一个非常传统的代表，这可能是一个限制形状更新。
2013-03-21 cs.HC cs.NE physics.med-ph
A Comparison of Meta-heuristic Search for Interactive Software Design
University of the West of England（西英格兰大学）
处理能力的进步，再加上人们希望解决人类主观判断在确定所提出的解决方案的价值方面发挥重要作用的问题，导致交互式人工智能的应用数量急剧增加。特别值得注意的是Meta启发式搜索引擎与用户提供的解决方案的评估和评级的耦合，通常以交互式进化算法（IEAs）的形式。这些都有一个有据可查的成功历史，但可以说，IEA的优势源于这一历史，而不是作为一个有意识的设计选择的元启发式的基础上，手头的问题的特点。本文将以交互式软件设计领域为例，研究这一假设的基础。我们考虑了一系列应该影响设计选择的因素，包括易用性，可扩展性，当然还有性能，即在人类失去焦点之前，在交互式工作中可用的有限数量的评估内生成良好解决方案的能力。然后，我们评估三种方法，即贪婪局部搜索，进化算法和蚁群优化，候选解决方案的各种表示。结果表明，适当的参数调整后，蚁群优化是非常有效的交互式搜索和进化算法的性能相对于软件设计问题中的属性和方法的数量增加。然而，当大量的类存在于软件设计中，进化算法使用一个天真的分组整数为基础的表示似乎更具可扩展性。
2012-11-14 cs.AI cs.NE
Interactive Multi-Objective Evolutionary Optimization of Software Architectures
University of Córdoba（科尔多瓦大学）
本文提出一种交互式多目标进化算法，将定量指标与工程师定性经验结合，通过架构偏好反馈优化适应度函数，有效引导软件架构搜索至专家感兴趣区域。
2024-01-08 cs.AI cs.NE cs.SE
Dynamic Detection of Relevant Objectives and Adaptation to Preference Drifts in Interactive Evolutionary Multi-Objective Optimization
Centre for Logistics & Sustainability Analytics, Kent Business School, University of Kent（肯特大学肯特商学院物流与可持续性分析中心）；Université de Haute-Alsace（上阿尔萨斯大学）；Alliance Manchester Business School, University of Manchester（曼彻斯特大学联盟曼彻斯特商学院）
本研究针对交互式多目标优化中决策者偏好动态变化的问题，提出在基于排序的算法中模拟偏好漂移、丢弃过时或冲突偏好，并保护相关目标免于陷入最优，实验证明该方法能有效管理演变偏好并提升解的质量。
2024-11-07 cs.AI cs.NE math.OC
Exploring Promising Stepping Stones by Combining Novelty Search with Interactive Evolution
演化计算领域的灵感来自于自然进化的成就，在自然进化中没有最终目标。然而，对目标的追求在模拟进化中无处不在。一个重要的问题是，客观方法假定中间的垫脚石将越来越接近最终目标，而事实上往往并非如此。结果是，虽然可能存在解决办法，但寻找这些目标可能找不到解决办法。本文强调了在搜索过程中利用人类洞察力作为明确目标的替代方法的重要性。特别是，一种新的方法，称为新奇辅助交互式演化计算（NA-IEC）结合人类的直觉与新奇的搜索，第一次促进代理行为的偶然发现。在这种方法中，人类用户通过从屏幕上的行为群体中选择感兴趣的内容来指导进化。然而，与典型的IEC不同，用户现在可以请求用新的后代填充下一代。实验结果表明，将人类洞察力与新颖性搜索相结合，比全自动化过程（包括纯新颖性搜索）更快地找到解决方案，并且基因组复杂性更低，这表明人类用户在搜索解决方案中发挥了重要作用。
2012-07-28 cs.NE
ChatGPT and Other Large Language Models as Evolutionary Engines for Online Interactive Collaborative Game Design
Politecnico di Milano（米兰理工大学）
本文提出一种结合交互式进化与大型语言模型的协作游戏设计框架，利用用户反馈和模型创意重组，模拟人类设计过程，并在三个远程协作任务中验证其有效性。
2023-04-13 cs.AI cs.HC cs.LG
Ranking Constraints via Topological Dual-Directional Search in Evolutionary Multi-Objective Optimization
National Key Laboratory of Parallel and Distributed Computing, College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院并行与分布式计算国家重点实验室）；College of System Engineering, National University of Defense Technology（国防科技大学系统工程学院）；College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学学院）；State Key Laboratory of Complex & Critical Software Environment, College of Information and Communication, National University of Defense Technology（国防科技大学信息与通信学院复杂与关键软件环境国家重点实验室）
本文提出RCCMO算法，通过拓扑对偶方向搜索机制，区分约束在CPF形成中的不同作用，提升约束处理效率。
2026-04-06 cs.NE
Covariance Matrix Adaptation Evolutionary Strategy with Worst-Case Ranking Approximation for Min--Max Optimization and its Application to Berthing Control Tasks
在这项研究中，我们考虑了一个连续的最小-最大优化问题$\min_{x \in \mathbb{X} \max_{y \in \mathbb{Y}}}f(x,y)$，其目标函数是一个黑箱。我们提出了一种新的方法来最大限度地减少最坏情况下的目标函数$F(x) = \max_{y} f(x,y)$直接使用协方差矩阵自适应演化策略（CMA-ES），其中解决方案的候选人的排名近似我们提出的最坏情况下的排名近似（WRA）机制。我们开发了两个变种的WRA结合CMA-ES和近似梯度上升的数值求解器的内部最大化问题。数值实验表明，当目标函数为光滑强凸-凹函数且$x$和$y$之间的相互作用较强时，该方法的性能优于现有的几种方法.我们调查所提出的方法的优点，目标函数不限于光滑强凸-凹函数的问题。在具有不确定性的非凸-凹函数的鲁棒靠泊控制问题中，证明了该方法的有效性。在具有不确定性的船舶靠泊鲁棒控制问题中，证明了该方法的有效性。
2023-03-28 cs.NE
Does Preference Always Help? A Holistic Study on Preference-Based Evolutionary Multi-Objective Optimisation Using Reference Points
多目标优化的最终目标是帮助决策者（DM）识别感兴趣的解决方案（SOI），在多个冲突的标准中实现令人满意的权衡。这可以通过在进化多目标优化（EMO）中利用DM的偏好信息来实现。没有达成共识，将偏好EMO（先验或交互式）与后验决策EMO算法的完整运行后所带来的有效性。考虑到这一点，本文i）提供了一个务实的概述，现有的发展基于偏好的EMO;和ii）进行了一系列的实验，以调查的有效性所带来的偏好纳入EMO近似各种SOI。特别地，DM的偏好信息被引出作为参考点，其代表了她/他对不同目标的期望。实验结果表明，在EMO的偏好纳入并不总是导致一个理想的近似SOI，如果DM的偏好信息没有得到很好的利用，也没有DM引起无效的偏好信息，这是不罕见的，当遇到一个黑箱系统。在某种程度上，这个问题可以通过交互式偏好诱导来补救。最后但并非最不重要的是，我们发现，一个基于偏好的EMO算法是能够推广到近似整个PF给定一个适当的设置的偏好信息。
2019-09-30 cs.NE
Assessing Ranking and Effectiveness of Evolutionary Algorithm Hyperparameters Using Global Sensitivity Analysis Methodologies
University of Reading（雷丁大学）；The University of Sunderland（桑德兰大学）；University of Catania（卡塔尼亚大学）；University of Cambridge（剑桥大学）
我们提出了一个全面的全局灵敏度分析的两个单目标和两个多目标的最先进的全局优化进化算法作为一个算法配置问题。也就是说，我们调查的质量的影响超参数对算法的性能方面的直接影响和与其他超参数的相互作用效果。采用Morris LHS、Morris和Sobol三种灵敏度分析方法，系统分析了协方差矩阵自适应进化策略、差分进化、非支配排序遗传算法III和基于分解的多目标进化算法的可调超参数，揭示了超参数对采样方法和性能指标的影响。也就是说，它回答了诸如什么超参数影响模式，它们如何相互作用，它们相互作用的程度以及它们的直接影响有多大等问题。因此，超参数的排名表明了它们的调整顺序，而影响模式揭示了算法的稳定性。
2022-07-11 cs.AI cs.NE
Rank-Based Learning and Local Model Based Evolutionary Algorithm for High-Dimensional Expensive Multi-Objective Problems
Peking University（北京大学）
提出一种结合分类器辅助排序学习与局部模型的进化算法CLMEA，通过分级学习、超体积搜索和局部填充，高效求解高维昂贵多目标优化问题，实验验证其优于现有方法。
2024-03-16 cs.AI cs.NE
Interactive Constrained MAP-Elites: Analysis and Evaluation of the Expressiveness of the Feature Dimensions
Malmö University（马尔默大学）；New York University（纽约大学）
我们提出了交互式约束地图精英，游戏内容生成的质量多样性解决方案，实现作为一个新的功能的进化地牢设计器：一个混合的主动合作创造力的工具，设计地牢。该功能使用MAP-Elites算法，这是一种照明算法，根据不同行为维度的分数将种群隔离在几个细胞中。用户可以随时在这些维度之间灵活动态地交替，从而以直观的方式指导进化过程，然后将算法产生的建议纳入他们的房间设计中。与此同时，人类用户执行的任何修改都将反馈到MAP-Elites中，关闭一个不断相互启发的循环工作流程。本文介绍了算法，然后深入分析其行为，其目的是评估在几种情况下所有可能的维度组合的表达范围，以及讨论它们在健身景观和混合主动程序内容生成的整体性能的影响。
2021-02-09 cs.AI cs.NE
Evolutionary Automata and Deep Evolutionary Computation
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文聚焦进化自动机这一类比模型，指出其相比进化算法能提供更完整的进化计算对偶模型，可直接建模“进化的进化”，具有极强表达能力，还暗示了自然进化通过环境交互反馈实现自我进化的强大力量。
2025-08-25 cs.CL cs.NE
NeuroEvo: A Cloud-based Platform for Automated Design and Training of Neural Networks using Evolutionary and Particle Swarm Algorithms
Johns Hopkins University（约翰斯·霍普金斯大学）
进化算法为复杂搜索空间中的神经网络优化提供了独特的优势。本文介绍了一种新的网络平台，NeuroEvo（neuroevo.io），它允许用户交互式设计和训练神经网络分类器使用进化和粒子群算法。分类问题和训练数据由用户提供，在完成训练过程后，最佳分类器可供下载并在Python，Java和JavaScript中实现。NeuroEvo是一个基于云的应用程序，它利用GPU并行化来提高独立进化步骤（如变异，交叉和适应度评估）在整个种群中执行的速度。本文概述了训练算法和机会，为用户指定的设计决策和超参数设置。本文描述的算法也可作为Python包neuroevo（PyPI：https：//pypi.org/project/neuroevo/）提供。
2022-10-01 cs.LG cs.NE
CR-BLEA: Contrastive Ranking for Adaptive Resource Allocation in Bilevel Evolutionary Algorithms
School of Informatics, Xiamen University（厦门大学信息学院）；Department of Artificial Intelligence, Sichuan University（四川大学人工智能学院）
针对双层进化算法中下层任务冗余评估导致的资源浪费，提出基于对比排序网络的自适应资源分配框架，在五种先进算法上验证可降本并保持或提升精度。
2025-06-03 cs.AI cs.LG cs.NE
VINE: An Open Source Interactive Data Visualization Tool for Neuroevolution
Uber AI Labs（优步人工智能实验室）
深度神经进化的最新进展表明，进化算法（如演化策略（ES）和遗传算法（GA））可以扩展到训练深度神经网络，以解决困难的强化学习（RL）问题。然而，在如此高的维度上分析和解释神经进化的潜在过程仍然是一个挑战。为了应对这一挑战，本文提出了一种名为VINE（Visual Inspector for NeuroEvolution）的交互式数据可视化工具，旨在帮助神经进化研究人员和最终用户更好地理解和探索这一系列算法。VINE与广泛的神经进化算法（包括ES和GA）无缝配合，并通过对几代进化代理的行为特征进行交互式可视化来解决观察学习过程底层动态的困难。随着神经进化扩展到具有数百万或更多连接的神经网络，像VINE这样的可视化工具提供了对进化潜在动力学的新见解，对于激发新的创新和应用变得越来越有价值和重要。
2018-05-03 cs.AI cs.NE
Heuristic Search for Rank Aggregation with Application to Label Ranking
排名聚合旨在将来自不同投票者的多个备选方案的偏好排名组合成一个单一的共识排名。然而，作为一个有用的模型的各种实际应用，它是一个计算上具有挑战性的问题。在本文中，我们提出了一个有效的混合进化排序算法来解决的排名聚集问题的完全和部分的排名。该算法的特点是一个语义交叉的基础上和谐对和一个迟接受局部搜索加强了一个有效的增量评估技术。实验进行评估的算法，表明具有很强的竞争力的性能与国家的最先进的算法相比，在基准实例。为了证明其实用性，该算法被应用到标签排名，这是一个重要的机器学习任务。
2022-01-11 cs.NE
Accelerating Black-Box Bilevel Optimization with Rank-Based Upper-Level Value Function Approximation
University of Tsukuba（筑波大学）；RIKEN AIP（理化学研究所先进智能计算研究中心）
本文提出一种利用基于排名的进化算法对称性减少计算负担的双层优化框架，在连续空间中采用CMA-ES优化器，有效解决多模态和强变量交互问题。
2026-04-03 cs.NE
ParetoLens: A Visual Analytics Framework for Exploring Solution Sets of Multi-objective Evolutionary Algorithms
Southern University of Science and Technology（南方科技大学）；Westlake University（西湖大学）；Hong Kong Polytechnic University（香港理工大学）
本文提出 ParetoLens 可视分析框架，以模块化、算法无关的交互式视图支持多目标进化算法解集在决策空间与目标空间中的探索，并通过案例研究和专家访谈验证其有效性。
2025-01-06 cs.HC cs.LG cs.NE
Empowering Quality Diversity in Dungeon Design with Interactive Constrained MAP-Elites
Malmö University（马尔默大学）；New York University（纽约大学）
我们建议使用质量多样性算法的混合主动游戏内容生成。这个想法是作为进化地牢设计器的一个新功能实现的，进化地牢设计器是一个混合主动设计的系统，你通常会在电脑角色扮演游戏中找到这种类型的关卡。该功能使用MAP-Elites算法，这是一种照明算法，它将种群划分为多个单元，具体取决于它们沿多个行为维度的值。用户可以灵活地、动态地选择相关的变异维度，并将算法产生的建议融入到地图设计中。同时，人类执行的任何修改都会反馈到MAP-精英中，并用于生成进一步的建议。
2019-06-12 cs.AI cs.NE
Interactive Decomposition Multi-Objective Optimization via Progressively Learned Value Functions
分解已成为一种越来越流行的技术，进化多目标优化（EMO）。基于分解的EMO算法通常被设计为近似整个Pareto最优前沿（PF）。然而，在实践中，决策者（DM）可能仅对她/他的感兴趣区域（ROI）感兴趣，即，PF的一部分。在此之外的解决方案可能是无用的，甚至对决策过程是嘈杂的。此外，在处理许多客观问题时，无法保证找到首选解决方案。本文开发了一个交互式框架的分解为基础的EMO算法，导致DM的首选解决方案，她/他的选择。它由三个模块组成，即，咨询、优选和优化。具体来说，每隔几代之后，DM被要求在咨询会话中对一些候选解决方案进行评分。此后，从DM的行为逐步学习对DM的偏好信息建模的近似价值函数。在偏好启发会话中，在咨询模块中学习的偏好信息被转换为可以在基于分解的EMO算法中使用的形式，即，一组偏向ROI的参考点。优化模块，原则上可以是任何基于分解的EMO算法，利用偏置参考点来指导其搜索过程。大量的基准问题上的实验，三到十个目标充分证明了我们所提出的方法的有效性，寻找DM的首选解决方案。
2018-09-30 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
A Crossover That Matches Diverse Parents Together in Evolutionary Algorithms
QED Software（QED软件公司）
交叉和变异是进化方法中产生新解的两个主要算子。在这篇文章中，一种新的方法进行交叉阶段。选择问题是进化决策树的构造。该方法的目的是找到这样的个人，在一起相互补充。因此，我们说他们是双重专业化的。我们提出了计算所谓的互补适应度的方法。在几个实证实验中，我们评估了四种变体中提出的方法的有效性，并将其与基于适应度排名的方法进行比较。有一个变式显然是最佳办法，而其余的则低于基线。
2021-05-08 cs.AI cs.NE
On Steady-State Evolutionary Algorithms and Selective Pressure: Why Inverse Rank-Based Allocation of Reproductive Trials is Best
我们分析了稳态EA的全局优化能力的选择性压力的影响。对于标准的双峰基准函数\twomax，我们严格证明，使用统一的父选择导致指数运行时，以高概率找到两个最优的标准（$μ$ +1）~EA和（$μ$ +1）~RLS与任何多项式的人口规模。另一方面，我们证明了选择最差的个人作为父母导致有效的全局优化与压倒性的概率合理的人口规模。由于总是选择最差的个人可能会有不利影响，从局部最优逃脱，我们考虑的性能随机父选择算子的低选择压力的函数类称为\textsc{TruncatedTwoMax}，其中一个斜率比其他短。实验分析表明，EA配备逆比赛选择，其中失败者被选择用于复制和小比赛大小，全局优化\textsc{TwoMax}有效地和有效地逃脱局部最优的\textsc{TruncatedTwoMax}具有高概率。因此，他们有效地确定了两个最优选择，而统一（或更强）的选择在理论和实践中都失败了。然后，我们展示了逆选择的力量，从文献中的人口是必不可少的，通过提供严格的证明或实验证据，它优于统一的选择配备或不重新启动策略。最后，我们通过对经典MaxSat和多维背包问题的标准基准的不同选择压力的实证分析来证实我们的理论见解。
2021-03-18 cs.AI cs.NE
Prasatul Matrix: A Direct Comparison Approach for Analyzing Evolutionary Optimization Algorithms
National Institute of Technology Silchar（西尔恰尔国家理工学院）
个体进化优化算法的性能主要是根据统计数据来衡量的，例如均值、中位数和标准差等，计算的最佳解决方案获得的算法的几个线索。为了比较两种算法的性能，比较这些统计量的值，而不是直接比较解决方案。这种比较缺乏对不同算法所得解的直接比较。例如，两个算法的最佳解（或最差解）的比较是不可能的。此外，算法的排名主要是在解决方案的质量方面，尽管算法的收敛性也是一个重要因素。本文提出了一种直接比较的方法来分析进化优化算法的性能。一个直接比较矩阵称为\emph{Prasatul Matrix}的准备，它帐户的直接比较结果的最佳解决方案获得了两个算法的特定数量的试验。基于Prasatul矩阵设计了五种不同的性能指标，以评估算法在最优性和解的可比性方面的性能。这些分数被用来开发一个分数驱动的方法，用于比较多个算法的性能，以及在解决方案的质量和收敛性分析的理由进行排名。提出的方法进行了分析与6个进化优化算法的25个基准函数。还进行了非参数统计分析，即Wilcoxon配对秩和检验，以验证所提出的直接比较方法的结果。
2022-12-01 cs.AI cs.LG cs.NE
Evidence of coevolution in multi-objective evolutionary algorithms
School of Information Technology and Electrical Engineering（新南威尔士大学澳大利亚国防军学院信息技术与电气工程学院）；University of New South Wales at the Australian Defence Force Academy
本文表明，简单而重要的特点，共同进化可以发生在进化算法时，只有少数条件得到满足。我们发现，基于相互作用的适应度测量，如适应度（线性）排名允许一种形式的共同进化动力学，当1）在排名过程中能够相互作用的解决方案的变化和2）进化发生在多目标环境中时，可以观察到。这项研究至少在两个方面有助于模拟进化的研究。首先，它建立了一个更广泛的协同进化和多目标优化之间的关系比以前被认为是在文献中。其次，它表明共同进化行为的前提条件比以前认为的要弱。特别是，我们的模型表明，物种之间的直接合作或竞争是不需要共同进化的发生。此外，我们的实验提供的证据表明，环境扰动可以驱动共同进化过程，这一结论反映了双相进化理论中提出的论点。在讨论中，我们简要地考虑了我们的结果如何揭示这一点和其他最近的进化理论。
2009-07-02 cs.AI cs.NE
Conversion Rate Optimization through Evolutionary Computation
Sentient Technologies, Inc.（Sentient科技公司）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
转换优化意味着设计一个Web界面，以便尽可能多的用户对其进行所需的操作，例如注册或购买。这种设计通常是手工完成的，通过A/B测试一次测试一个变化，或者通过多变量测试有限数量的组合，使得在巨大的设计空间中只能评估一小部分设计成为可能。本文介绍了Sentient Ascend，一个自动转换优化系统，它使用进化优化来创建有效的Web界面设计。Ascend使发现和利用设计元素之间的交互成为可能，这些设计元素很难以其他方式识别。此外，设计候选的评估是并行在线完成的，即大量的真实用户与系统交互。对现有媒体网站的案例研究表明，超越人类设计的显着改进（即超过43%）是可能的。因此，Ascend可以被视为一种基于大规模并行交互式进化的大规模多变量转换优化方法。
2017-04-30 cs.AI cs.HC cs.NE
On the Impact of Mutation-Selection Balance on the Runtime of Evolutionary Algorithms
变异和选择之间的相互作用在进化算法（EA）的行为中起着重要的作用。然而，这种相互作用仍然没有完全理解。本文提出了一个严格的运行时分析的非精英人口为基础的EA，使用线性排名选择机制。分析的重点是如何之间的平衡参数$η$，控制线性排名中的选择压力，和参数$χ$控制逐位变异率，影响算法的运行时间。结果指出，正确的选择压力和突变率之间的平衡是必不可少的多项式时间内找到最优解的情况。特别是，它表明，存在的健身功能，只能在多项式时间内解决，如果参数之间的比率$η$和$χ$是在一个狭窄的临界区间内，在这个比率的一个小的变化可以增加运行时间呈指数。此外，它是定量示出如何适当的参数选择取决于适应度函数的特性。除了原有的关于进化算法运行时间的结果外，本文还介绍了一个非常有用的分析工具，即，多类型分支过程，非精英人口为基础的EA的运行时分析。
2010-12-14 cs.NE nlin.AO q-bio.PE
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
A collaborative decomposition-based evolutionary algorithm integrating normal and penalty-based boundary intersection for many-objective optimization
Guangzhou University（广州大学）；South China University of Technology（华南理工大学）
近年来，基于分解的进化算法在多目标优化问题中得到了广泛的应用。然而，现有的分解方法对多目标优化问题边界形状的多样性仍然十分敏感。一方面，锥分解方法，如基于惩罚的边界相交（PBI）是无法获得均匀的边界与非常凸的边界的MaOP。另一方面，包括正常边界相交（NBI）的平行分解方法的平行参考线可能会导致差的多样性，因为在具有凹边界的MaOP的边界附近的采样不足。本文首先提出了一种协同分解方法，该方法综合了并行分解和锥分解的优点，克服了各自的缺点。该方法继承了NBI型切比雪夫函数作为收敛度量，提高了PBI方法的收敛性和分布均匀性。此外，该方法还自适应调整的程度旋转NBI参考线对PBI参考线的每个子问题，以提高分布的多样性的NBI方法。在此基础上，提出了一种基于协同分解的多目标优化进化算法（CoDEA）。在CoDEA中设计了一种基于协作分解的环境选择机制，对边界层中与同一PBI参考线相关的所有个体进行排序，并选出最佳排序。在85个基准测试实例上将CoDEA与几种流行的算法进行了比较。实验结果表明，CoDEA算法在收敛性、均匀性和分布多样性之间保持了较好的平衡，具有较高的竞争力。
2022-04-14 cs.AI cs.NE
Evolutionary Multi-Armed Bandits with Genetic Thompson Sampling
Columbia University（哥伦比亚大学）
在线学习和演化计算作为机器学习的两大流派，已经成为现实世界决策引擎背后的两大重要驱动力，在生物医学、经济学和工程学领域得到广泛应用。虽然有利用土匪来改善进化算法的优化过程的工作，它仍然是一个空白领域的进化方法如何可以帮助改善在线学习代理，如多臂土匪的顺序决策任务。在这项工作中，我们提出了遗传汤普森采样，一个强盗算法，保持人口的代理和更新他们的遗传原则，如精英选择，交叉和突变。在多臂土匪模拟环境和一个实际的流行病控制问题的实证结果表明，通过将遗传算法到土匪算法，我们的方法显着优于基线在非平稳设置。最后，我们介绍了EvoBandit，一个基于Web的交互式可视化，以指导读者完成整个学习过程，并在飞行中执行轻量级评估。我们希望通过这项调查让研究人员参与到这一不断发展的研究领域中。
2022-04-26 cs.AI cs.LG cs.MA
An Efficient Dynamic Resource Allocation Framework for Evolutionary Bilevel Optimization
本文提出DRC-BLEA，一种用于进化双层优化的动态资源分配框架，通过竞争性准并行范式与协作机制减少冗余下层迭代，在保持精度的同时显著降低计算开销。
2024-11-06 cs.NE math.OC
Controllable Exploration of a Design Space via Interactive Quality Diversity
本文提出一种基于质量多样性的用户驱动进化算法，通过在行为空间小窗口内采样备选方案并随用户选择动态调整窗口，有效降低了用户认知负荷与疲劳，在建筑布局生成任务中比 MAP-Elites 找到了更符合用户偏好的解决方案。
2023-04-07 cs.HC cs.NE
Towards a human eye behavior model by applying Data Mining Techniques on Gaze Information from IEC
在本文中，我们首先介绍了什么是交互式演化计算（IEC），并迅速我们如何结合这种人工智能技术与眼动仪的视觉优化。接下来，为了正确地参数化我们的应用程序，我们提出的结果，从应用数据采掘技术的凝视信息来自约80人进行的实验。
2008-03-21 cs.HC cs.NE
QUASAR: An Evolutionary Algorithm to Accelerate High-Dimensional Numerical Optimization
Regis University（雷吉大学）
QUASAR是一种基于量子粒子行为的进化算法，通过自适应机制提升高维数值优化效率，优于DE和L-SHADE。
2026-02-01 cs.LG cs.NE math.OC
Rank-based Non-dominated Sorting
非支配排序是基于Pareto的多目标进化算法（MOEAs）中的一个计算瓶颈，因为在候选解之间建立支配关系需要大量的比较操作。在本文中，我们介绍了秩排序，非支配排序方法利用排序稳定性和有序信息，以避免昂贵的优势比较的秩分配阶段。提出了两种算法变体：第一种是RankOrdinal（RO），使用序数秩比较来确定优势，需要O（N）空间;第二种是RankIntersect（RS），使用集合交集和位级并行，需要O（N^2）空间。我们证明了所提出的方法的效率相比，其他国家的最先进的算法在经验模拟使用NSGA 2算法以及合成基准。RankIntersect算法能够显著优于当前最先进的技术，为许多目标提供高达30%的加速。所有算法都提供了C++实现。
2022-03-28 cs.CC cs.DS cs.NE
