Towards Analyzing Crossover Operators in Evolutionary Search via General Markov Chain Switching Theorem
进化算法模拟自然界物种的进化过程，用于求解优化问题。杂交（又称重组）是模拟动物交配生殖中的染色体交换现象而产生的，在进化代数中被广泛应用于产生后代解，其有效性已在实际应用中得到了验证。然而，由于交叉算子的不规则性和变异过程中复杂的交互作用，使得交叉算子的分析比较困难，理论研究较少。因此，分析交叉不仅有助于理解进化算法，而且有助于开发新的技术来分析复杂的元启发式算法。本文推导了广义马尔可夫链切换定理（GMCST），为交叉使能EA的理论研究提供了理论基础。该定理允许我们从一个易于分析的EA分析一个复杂EA的运行时间。使用该工具，我们分析了LeadingOnes和OneMax问题上的带有几个交叉算子的EA，这两个问题对于仅突变EA来说是研究得很好的问题，但是对于启用交叉的EA来说几乎没有结果。首先推导了带交叉算子的（2+2）-EA的运行时间上界;然后研究了只变异（2：2）-EA和带交叉算子（2：2）-EA的运行时间差;最后提出了只在必要时才应用交叉算子的策略，改进了只变异（2：2）-EA和全时交叉（2：2）-EA.理论结果进行了实验验证.
2012-04-26 cs.NE
Multi-population GAN Training: Analyzing Co-Evolutionary Algorithms
本文实证比较了多种协同进化GAN训练策略，发现完全代际替换(μ,λ)在样本质量和多样性上优于精英保留方法，为设计更有效的基于种群的生成模型提供了指导。
2025-07-17 cs.NE
Influence of Topological Features on Spatially-Structured Evolutionary Algorithms Dynamics
在过去的几十年里，复杂网络理论显着影响了其他学科的静态和动态方面的建模系统在自然界中观察到的。这项工作的目的是研究网络的拓扑特征对进化算法的动力学的影响，特别是考虑到找到大量的多模态问题的最优解的能力。我们介绍了一种新的空间结构的进化算法，我们将其应用于两个组合问题：ONEMAX和多模态NMAX。考虑三种不同的网络模型，我们调查他们的特点之间的关系，算法的收敛性和它的能力，以找到多个最优（多峰问题）。为了进行更深入的分析，我们研究了引入时变权重的加权图。结果表明，具有大的平均路径长度的网络导致更多的最优解和随之而来的缓慢的探索动力学（即低的首次命中时间）。此外，加权网络的引入表明了在算法执行过程中通过与权值变化相关的参数来调整算法动态特性的可能性。这项工作给出了第一个答案的各种图形拓扑结构的多样性的进化算法的影响，它描述了一个简单但功能强大的算法框架，允许调查ssEAs动态的许多方面。
2012-02-08 cs.NE
Signed Sensitivity of Expected Hitting Time to Mutation Rate in the (1+1) EA: Per-State Sign Theorems and Verifiable Certificates for Non-Lumpable Families
Institute of Automation, Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所）；University of Chinese Academy of Sciences (UCAS)（中国科学院大学）
针对(1+1)进化算法，研究期望命中时间对变异率的敏感性，指出形式化陷阱，证明OneMax上的逐状态符号定理，并给出非可合并族的可验证符号证书。
2026-09-14 cs.NE
Evaluating Noisy Optimisation Algorithms: First Hitting Time is Problematic
University of Essex（埃塞克斯大学）
任何进化算法的一个关键部分是适应度评估。当适应度评估被噪声破坏时，就像在许多现实问题中由于各种类型的不确定性而发生的那样，需要一种策略来应对这种情况。Rescue是最常见的策略之一，其中每个解决方案都被评估多次，以减少适应度估计的方差。在评估噪声优化算法的性能时，一个关键的考虑因素是算法的停止条件。运行时分析中经常使用的停止条件，称为“首次命中时间”，是一旦遇到最优解就停止算法。然而，这是不现实的现实世界中的问题，如果最佳的解决方案是已知的，就没有必要搜索it.This本文认为，使用的首次命中时间，尽管是一种常用的方法，是显着的缺陷和高估了许多算法的质量在现实世界中的情况下，最佳的是不知道提前，并真正搜索。一个更好的替代方案是测量算法在固定评估预算之后返回的解决方案的质量，即，专注于最终解决方案的质量。本文认为，专注于最终的解决方案的质量是更现实的，并演示的情况下，每个算法的评估方法产生的结果导致非常不同的结论，每个嘈杂的优化算法的质量。
2017-07-12 cs.AI cs.NE
Genealogical Distance as a Diversity Estimate in Evolutionary Algorithms
群体中两个个体之间的进化编辑距离，即，从一个个体开始产生另一个个体的进化过程所需的任何遗传算子的应用量似乎是对所述个体之间的多样性的有希望的估计。我们引入系谱多样性，即，通过分析两个个体基因组中大的、未使用的部分来估计它们的相关程度，作为一种计算效率高的方法来近似计算多样性。
2017-04-27 cs.NE
Running-time Analysis of ($μ+λ$) Evolutionary Combinatorial Optimization Based on Multiple-gain Estimation
本文提出多重增益模型以改进平均增益模型，用于分析（μ+λ）进化算法在组合优化问题上的运行时间，并在背包问题、k-MAX-SAT和旅行商问题中给出了更紧的时间复杂度上界，实验验证了模型的有效性。
2025-07-03 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
Multiplicative Up-Drift
漂移分析旨在将进化算法（或更一般地，随机过程）的预期进展转化为对其运行时间（命中时间）的概率保证。到目前为止，漂移参数已经成功地用于进化算法的严格分析，然而，仅用于进展恒定或在接近目标时变得较弱的情况。出于这样的问题，如如何快速适应个人接管人口，我们分析随机过程表现出$(1+δ)$ -乘法增长的期望。我们证明了漂移定理翻译这个预期的进展到命中时间。这个漂移定理给出了Lehre（2011）首次提出的基于水平的定理的简单而有见地的证明。这个定理的我们的版本第一次对$1/δ$具有最好的可能的近线性依赖性（以前的结果至少具有近二次依赖性），并且它只需要在$δ$中接近线性的种群大小（这在以前的结果中是超二次的）。这些改进立即为许多应用程序带来了更强的运行时间保证。我们还讨论了大$δ$的情况下，并显示更强的结果，这种设置。
2020-07-15 cs.DS cs.NE
Analyzing and Overcoming Local Optima in Complex Multi-Objective Optimization by Decomposition-Based Evolutionary Algorithms
针对基于分解的多目标进化算法易陷入局部最优的问题，提出权重向量引导与高斯混合的参考点选择策略，经实验验证可显著提升种群多样性与收敛性。
2024-04-12 cs.AI cs.NE
General Upper Bounds on the Running Time of Parallel Evolutionary Algorithms
提出了一种新的分析空间结构种群并行进化算法运行时间的方法。基于适应度方法，它产生的预期并行运行时间的上界。这允许严格估计并行化获得的加速比。定制的结果给出常见的迁移拓扑：环图，环面图，超立方体，和完整的图形。伪布尔优化的实例应用表明，我们的方法很容易应用，它给出了强大的结果。在我们的示例中，可能的加速随着拓扑的密度而增加。令人惊讶的是，即使是像环图这样的稀疏拓扑也会导致许多函数的显着加速，而不会增加函数求值的总数超过一个常数因子。我们还确定了处理器的数量产生渐近最优的加速比，从而给出了如何参数化并行进化算法的提示。
2012-06-15 cs.NE
A Large Population Size Can Be Unhelpful in Evolutionary Algorithms
种群利用率是进化算法的重要特征之一。有许多研究分析了不同人口规模对EA绩效的影响。然而，除了少数情况外，大多数此类研究都是基于计算实验的。到目前为止，普遍的看法似乎是，一个大的人口将增加人口的多样性，从而帮助EA。事实上，当EA对于给定问题的表现不如预期时，增加种群大小一直是调优EA的常用策略。He和Yao（2002）从理论上证明了对于某些问题实例类，种群可以帮助将EA的运行时间从指数时间减少到多项式时间。本文分析了人口的作用，进一步在EA和严格表明，大人口可能并不总是有用的。本文讨论了大种群可能有害的条件。虽然理论分析是在一个多模态问题上使用特定类型的进化算法进行的，但它具有更广泛的含义。分析揭示了某些问题的特点，这可能是这里考虑的问题或其他问题，导致人口规模大的缺点。本文所提出的分析方法也可应用于其他问题的进化分析。
2012-08-11 cs.NE
Analyzing Evolutionary Optimization in Noisy Environments
Nanjing University（南京大学）
许多优化任务必须在噪声环境中处理，在这种环境中，我们无法获得解决方案的精确评估，而只能获得噪声。进化算法作为一种随机的启发式搜索算法，在噪声优化问题中得到了广泛而成功的应用。以往的工作主要集中在经验研究和设计的进化算法的噪声优化，而理论上的研究很少。在本文中，我们研究了一个在很大程度上被忽视的问题，即，在嘈杂的环境中，优化问题是否总是对EA变得更难。我们证明，答案是否定的，相对于预期的运行时间的测量。结果表明，对于已经很难解决的优化任务，噪声可能不会产生负面影响，并且任务越容易，噪声的负面影响就越大。在一个有代表性的问题，噪声有很强的负面影响，我们研究了两个常用的机制，在EA处理噪声，重新评估和阈值选择策略。分析表明，这两种策略都不是有效的，即，它们并没有使EA更能容忍噪声。然后，我们发现，一个小的修改的阈值选择允许它被证明是一个有效的策略，用于处理噪声的问题。
2013-11-20 cs.AI cs.NE
Seeking Open-Ended Evolution in Swarm Chemistry II: Analyzing Long-Term Dynamics via Automated Object Harvesting
我们研究了进化群体化学的长期动力学，与早期工作相比，将模拟长度延长了十倍，并开发和使用了一种新的自动化对象收获方法。宏观动力学和微观物体特征都使用几种措施进行表征和跟踪。结果表明，在经历了最初的过渡期后，演化动力学趋于稳定，环境扰动的程度也对演化趋势产生了重要影响。与此同时，自动收获方法成功地产生了大量自发进化的物体，以前所未有的规模揭示了系统的自主创造力。
2018-06-03 cs.MA cs.NE nlin.AO
Exploitation and Exploration Analysis of Elitist Evolutionary Algorithms: A Case Study
利用和探索作为搜索求解问题的两个基石，在进化算法的实现和应用中得到了广泛的讨论。然而，对油气勘探开发的评价和理论评价研究较少。考虑到开发和探索是全局搜索和局部搜索的两个问题，本文提出了通过在不同的集成域中计算的成功概率和一步改进率来评估它们。然后，通过分析（1+1）随机单变量搜索和（1+1）进化规划在球函数和作弊问题上的性能，进行了案例研究。通过严格的理论分析，我们表明，无论是开发和探索的精英EA的问题维度$n$指数退化。同时，通过设置高斯变异的标准差$σ$的适当值，可以实现最大化的开发和探索，该标准差与当前解到前景区域中心的距离呈正相关.
2020-01-29 cs.NE
General Drift Analysis with Tail Bounds
漂移分析是用于随机搜索算法（RSH）（例如进化算法（EA）、模拟退火等）的运行时分析的最先进技术之一。现有的绝大多数漂移定理给出目标状态的命中时间的期望值的界，例如，最优解的集合，而不对这个时间的分布做额外的陈述。我们解决这一问题，提供了一个一般的漂移定理，其中包括上限和下限的命中时间分布的尾巴。新的尾部边界被应用于证明非常精确的尖锐浓度的结果上的运行时间的一个简单的EA标准的基准问题，包括类的一般线性函数。令人惊讶的是，在所有这些问题上，在期望时间的低阶项中偏离$r$因子的概率随着$r$呈指数下降。RSH理论之外的定理的有用性证明了随机排列中的循环数的尾界。所有这些结果处理的位置相关的（可变）漂移，不包括以前的漂移定理与尾界。此外，我们的定理可以专门到几乎所有现有的漂移定理与漂移的目标从文献。最后，用户友好的一般漂移定理的专业化。
2018-05-29 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
Runtime Analysis of the (1+1) EA on Weighted Sums of Transformed Linear Functions
线性函数在进化算法的运行时分析中起着关键作用，研究为分析演化计算方法提供了广泛的新见解和技术。出于对可分离函数和进化算法的优化行为以及机会约束优化领域的目标函数的研究，我们研究了两个变换线性函数的加权和的目标函数类。我们的研究结果表明，（1+1）EA，变异率取决于重叠位的功能，获得这些功能的最佳解决方案，在预期的时间为O（n log n），从而推广了一个众所周知的结果，线性函数到更广泛的问题。
2022-08-11 cs.NE
Collaborative Multiobjective Evolutionary Algorithms in search of better Pareto Fronts. An application to trading systems
技术指标通过将各种数学公式应用于价格的金融时间序列，使用数据集的图形表示。这些公式包括一组规则和参数，其值不一定是已知的，并取决于许多因素：它所处的市场，时间窗口的大小等。本文主要研究时间序列数据分析中参数的实时优化问题。特别是，我们优化了技术和财务指标的参数，并提出了其他应用，如葡萄糖时间序列。我们提出了几个多目标进化算法（MOEAs）的组合。与其他方法不同，本文采用了一组不同的MOEA，合作构建一个全球帕累托集的解决方案。金融问题的解决方案寻求以最小的风险获得高回报。优化过程是连续的，并且以与投资时间间隔相同的频率发生。这种技术允许应用的非支配的解决方案，同时获得不同的MOEA。实验结果表明，该技术提高了常用的买入持有策略和其他多目标策略的收益，即使是日常操作。
2022-11-04 cs.NE
Theoretical Perspective of Convergence Complexity of Evolutionary Algorithms Adopting Optimal Mixing
最优混合进化算法（OMEAs）以其鲁棒性强、所需种群规模小、函数求值次数少等优点受到广泛关注。本文通过研究OMEA中的变异算子最优混合（OM）的机理，研究了OMEA在单层和双层掩模下的性能和行为。对于单层掩模的情况，所需的人口规模是从初始供应的角度来推导，而收敛时间是通过分析子解生长的进展。然后，通过估计执行评估的概率，NFE是渐近有界的理性概率。对于双层口罩的情况下，经验结果表明，所需的人口规模是成正比的交叉竞争的程度和结果从一层口罩的情况下。导出的模型还表明，人口规模决定于初始供应时，采用不相交的面具，高选择压力施加的OM使子问题的组成对NFE的影响很小，和人口规模的要求，两层面具的反向增长概率增加。
2018-07-24 cs.NE
Error Analysis of Elitist Randomized Search Heuristics
当进化算法不能在多项式期望运行时间内找到复杂优化问题的全局最优解时，由于有时不知道多项式期望运行时间内的近似比是多少，命中时间/运行时间分析不够灵活，无法满足理论研究的要求.因此，有必要提出一个替代的例程的理论分析的EA。为了弥合理论分析和算法实现之间的差距，在本文中，我们进行了误差分析，估计的预期近似误差，以评估随机搜索算法（RSH）的性能。基于RSH的马尔可夫链模型，通过对单步转移矩阵进行对角化，得到了多步转移矩阵，并给出了一个估计期望逼近误差的一般框架.案例研究表明，误差分析工作以及单模态和多模态基准问题。它导致近似误差的精确估计，而不是渐近结果的适应值，这表明它的竞争力固定预算分析。
2020-11-30 cs.NE
Analyzing design principles for competitive evolution strategies in constrained search spaces
本文针对约束优化竞赛中表现优异的$ε$MAg-ES进行实证分析，以揭示各算法组件的性能贡献，并在排名中引入显著性检验。
2024-05-08 cs.NE
A First Running Time Analysis of the Strength Pareto Evolutionary Algorithm 2 (SPEA2)
本文首次对实用多目标进化算法SPEA2开展运行时间分析，证明其在三类常用多目标问题上的期望运行时间界及对应种群规模要求，所用通用定理可助力其他MOEAs的理论研究。
2024-09-14 cs.NE
On the Exploitation of Neuroevolutionary Information: Analyzing the Past for a More Efficient Future
神经进化算法，即通过进化技术自动搜索神经网络结构，是计算代价很高的过程。尽管如此，由于所发现的架构提供的出色性能，这些方法被广泛应用。神经进化过程的最终结果是在搜索过程中找到的最佳结构，而文献中通常省略了其余的过程。然而，在这些搜索过程中也产生了大量的剩余信息，这些信息包括可以提取的有价值的知识。在本文中，我们提出了一种方法，从神经进化运行中提取这些信息，并使用它来构建一个元模型，可以积极影响未来的神经结构搜索。更具体地说，通过检查在具有不同特征的生成对抗网络的神经进化搜索期间发现的最佳结构（例如，基于密集层或卷积层），我们提出了一种基于贝叶斯网络的模型，该模型可用于立即找到强大的神经结构，方便地为不同的问题初始化不同的结构搜索，或帮助未来优化任何类型的结构，以不断找到越来越好的结构，其中不知情的方法陷入局部最优。
2021-05-26 cs.NE
Lower Bounds for Non-Elitist Evolutionary Algorithms via Negative Multiplicative Drift
非精英群体为基础的进化算法的一个体面的数量的下界已经显示了现在。它们中的大多数在技术上要求很高，因为（很难避免）使用负漂移定理--将预期的进展从目标转化为高命中时间的一般结果。我们提出了一个简单的负漂移定理乘法漂移的情况下，它可以简化现有的分析。我们更详细地讨论了Lehre（PPSN 2010）的\emph{negative drift in populations}方法，这是证明离散搜索空间的基于非精英变异的进化算法的运行时间下界的最通用工具之一。结合其他论证，我们得到了另一种更简单的证明，这也加强和简化了这种方法。特别是，现在只需验证先前结果的五个技术条件中的三个。我们得到的下界是明确的，而不仅仅是渐近的。这允许计算具体算法的具体下限，但也使我们能够表明，超多项式运行时已经出现时，再现率仅低于阈值的$(1 - ω(n^{-1/2}))$因素。对于使用具有随机突变率的标准位突变的算法的特殊情况（在超随机语言中称为均匀混合），我们证明了Dang和Lehre（PPSN 2016）所述的结果，并将其扩展到$Θ(1/n)$以外的突变率，其中包括Doerr，Le，Makhmara和Nguyen提出的重尾突变算子（GECCO 2017）。最后，我们应用我们的方法和一个新的支配参数，以显示一个指数下界的运行时间的变异只有简单的遗传算法\onemax为任意人口规模。
2020-10-20 cs.DS cs.NE
A New Scope and Domain Measure Comparison Method for Global Convergence Analysis in Evolutionary Computation
本文提出范围与域测度比较（SDMC）方法，绕过马尔可夫链建模，通过比较搜索范围测度分析进化计算算法的全局收敛性，并证明其必要性与充分性，为算法设计提供理论指导。
2025-05-07 cs.NE
A Systematic Study on the Design of Odd-Sized Highly Nonlinear Boolean Functions via Evolutionary Algorithms
本文系统评估多种进化算法设计奇数规模高非线性布尔函数，发现遗传编程最优，结合局部搜索与旋转对称约束的遗传算法可达到非线性度241。
2025-04-24 cs.CR cs.NE
First Steps Towards a Runtime Analysis When Starting With a Good Solution
The University of Adelaide（阿德莱德大学）；Aberystwyth University（阿伯里斯特威斯大学）
针对进化算法传统运行时分析未考虑良好初始解的问题，通过分析(1+1)算法等在OneMax基准的性能，发现不同算法从优初始化获益差异大、最优参数依赖初始解质量，且现有算法与黑箱复杂度存在差距，为相关研究提供初步方向。
2023-06-30 cs.NE
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
Block-Bench: A Framework for Controllable and Transparent Discrete Optimization Benchmarking
LIACS, Leiden University（莱顿大学）；Optimisation and Logistics, School of Computer Science and Information Technology, Adelaide University（阿德莱德大学）；Adelaide University（阿德莱德大学）
本文提出Block-Bench框架，通过可控的块函数和依赖图生成离散优化基准，分析算法在目标空间和变量表示层面的行为，提升大规模多模态问题的研究实用性。
2026-04-08 cs.NE
Sharp Bounds for Genetic Drift in Estimation of Distribution Algorithms
本文首次为 UMDA、cGA 和 PBIL 等单变量分布估计算法中中性位采样频率的边界命中时间证明了紧致界，并给出了指数尾界，揭示了遗传漂变对算法性能的影响。
2023-11-26 cs.NE
What Makes an LLM a Good Optimizer? A Trajectory Analysis of LLM-Guided Evolutionary Search
Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、LIG实验室）
研究通过分析15个LLM在8个任务上的优化轨迹，发现初始能力相似的模型会产生差异大的搜索轨迹，强优化器表现为局部细化，弱优化器则出现语义漂移，解决方案新颖性只有在搜索保持局部化时才有效。
2026-04-21 cs.CL cs.NE
A Revisit of Infinite Population Models for Evolutionary Algorithms on Continuous Optimization Problems
无限种群模型是研究进化算法种群动力学的重要工具。它们描述了种群分布在连续几代之间的变化。一般来说，无限种群模型是从马尔可夫链中推导出来的，它利用了种群中个体之间的对称性，并分析了种群规模趋于无穷大时的极限。本文研究了求解连续优化问题的进化算法无限种群模型的理论基础。首先，我们证明了在一个被广泛引用的研究中的收敛性证明实际上是有问题的和不完整的。我们进一步表明，模型假设的交换的个人不能产生的过渡方程。然后，为了分析无限种群模型，我们建立了一个分析框架的基础上收敛的随机元素的分布，取值于度量空间的无限序列。该框架简洁，数学严谨。它还提供了一个基础设施，研究收敛的堆叠运营商和迭代算法，以前的研究未能解决。最后，我们利用该框架证明了无限种群模型中变异算子和$k$元重组算子的收敛性。我们表明，这些运营商可以提供准确的预测真实的人口动态的人口规模趋于无穷大，只要初始人口是相同的，独立分布。
2015-09-26 cs.NE math.OC
Accelerating Evolution Through Gene Masking and Distributed Search
本文提出 BLADE，利用遗传表示掩码调节进化算子并以中心辐射架构分布式搜索，理论与三个基准实验证明二者可协同实现超过 n 倍加速。
2023-04-23 cs.NE
Learning from Evolution: Improving Collective Decision-Making Mechanisms using Insights from Evolutionary Robotics
University of Technology Nuremberg（纽伦堡工业大学）
本文通过分析演化计算生成的集体决策神经网络，提取洞见并手工设计两种新机制，在基准实验中证明其效率优于投票者模型和多数规则。
2024-05-03 cs.MA cs.NE cs.RO
Reachability Analysis for Lexicase Selection via Community Assembly Graphs
本文提出借用生态学中的 community assembly graphs 工具，解决传统适应度景观无法分析 lexicase 选择等具有复杂生态动态选择方案搜索空间的问题，并在 NK Landscape 和 genetic programming 问题上验证了其有效性。
2023-09-20 cs.NE
Large Language Model-Driven Surrogate-Assisted Evolutionary Algorithm for Expensive Optimization
Department of Electrical and Electronic Engineering, The Hong Kong Polytechnic University（香港理工大学电子与电气工程系）；College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院）；School of Automation and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学自动化与智能制造学院）；Academy of Artificial Intelligence, College of Mathematics Science, Inner Mongolia Normal University（内蒙古师范大学数学科学学院人工智能学院）；Key Laboratory of Collaborative Intelligence Systems, Ministry of Education, Xidian University（西安电子科技大学教育部协同智能系统重点实验室）
本文提出LLM-SAEA，通过大语言模型在线配置代理模型和填充采样准则，以专家协作框架提升代理辅助进化算法在昂贵优化中的效率，实验表明其优于现有先进算法。
2025-06-20 cs.AI cs.NE
Evolutionary Augmentation Policy Optimization for Self-supervised Learning
Dalhousie University（达尔豪斯大学）；Institute for Big Data Analytics（大数据分析研究所）
本文提出一种进化搜索方法优化自监督学习 pretext task 中的数据增强策略，通过染色体编码增强算子组合寻找最优增强流水线，并验证增强策略选择对 SSL 分类性能具有显著影响。
2023-08-02 cs.AI cs.CV cs.LG
Analyzing and modeling network travel patterns during the Ukraine invasion using crowd-sourced pervasive traffic data
2022年，乌克兰遭受入侵，随着时间和地理的推移，造成了严重的影响。本文使用分析以及基于区域的网络模型来研究持续中断对流量行为的影响。该方法是一种数据驱动的方法，利用获得的旅行时间条件内的进化算法框架，推断出的起点-目的地的需求值在一个自动化的过程中，基于交通分配。由于实现的自动化，许多日常模型可以近似多个城市。本文与先前发表的核心方法相比的新颖性包括分析，以确保获得的数据是适当的，因为一些数据源由于持续的中断而被禁用。此外，新颖性包括分析与中断的时间轴的直接联系，以新的方式检查交互。最后，确定具体的网络指标，特别适合于概念化的冲突中断对交通网络条件的影响。最终目标是建立流程、概念和分析，以推动更广泛的活动，迅速量化冲突情景对交通的影响。
2022-08-08 cs.NE cs.SI stat.AP
Evolutionary algorithms as an alternative to backpropagation for supervised training of Biophysical Neural Networks and Neural ODEs
针对生物物理神经网络因刚性和高非线性导致反向传播不稳定的问题，提出使用进化算法进行训练，实验证明其在多种任务中优于直接反向传播。
2023-11-21 cs.NE q-bio.NC
Evolutionary Neural Architecture Search for 3D Point Cloud Analysis
Xiamen University Malaysia（厦门大学马来西亚分校）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；Xiamen University（厦门大学）
针对NAS在三维点云分析领域应用不足的问题，提出进化NAS框架SHSADE-PIDS，将离散架构编码到连续空间搜索，在点云分割与分类基准上以更低开销取得更优准确率，为相关领域研究提供新思路。
2024-08-10 cs.AI cs.CV cs.LG
Evolutionary Computation in Astronomy and Astrophysics: A Review
Universidad de Málaga（马拉加大学）
演化计算（Evolutionary Computation，EC）包括许多受生物进化机制启发的优化方法。这一领域的方法使用达尔文的生命进化原理来产生算法，为难以解决的优化问题提供高质量的解决方案。EC的主要优势恰恰在于它们提供了良好的解决方案，即使计算资源（例如，运行时间有限。天文学和天体物理学是两个经常需要优化高复杂性问题或分析大量数据的领域，所谓的完全优化方法本质上受到问题/数据大小的限制。例如，对大量数据的可靠分析是现代天体物理学和天文学的核心。EC技术表现良好，其他优化方法是固有的限制（作为完整的方法适用于NP难问题），在过去的十年中，许多建议已经提出，适用于或多或少的成功方法的进化计算常见的工程问题。其中一些问题，如非线性参数的估计，自动学习技术的发展，控制系统的实现，或多目标优化问题的解决方案，在该领域有（并有）一个特殊的反响。由于这些原因，EC成为传统方法的可行替代品。在本文中，我们讨论了一些有前途的应用在这一方向和一些最新的工作在这一领域，本文还包括一个一般性的描述电子商务提供一个全球性的观点，以读者和电子商务技术的应用，为未来的研究提供了一些指导方针
2012-04-10 astro-ph.IM cs.AI cs.NE
Benchmarking Algorithms for Submodular Optimization Problems Using IOHProfiler
The University of Adelaide（阿德莱德大学）；Nanjing University（南京大学）；Leiden University（莱顿大学）
次模函数在优化领域中起着关键作用，因为它们允许对许多面临收益递减的现实问题进行建模。进化算法已被证明可以获得强大的理论性能保证的各种类型的约束条件下的子模块化问题，同时明显优于标准的贪婪近似算法。本文介绍了一个设置基准算法的子模块优化问题，旨在为研究人员提供一个框架，以提高和比较性能的子模块问题的新算法。重点是迭代搜索算法的开发，如进化算法，提供并集成到IOHprofiler中的实现，IOHprofiler允许跟踪和比较迭代搜索算法的进度和性能。我们提出了一系列的子模块优化问题，已被集成到IOHprofiler，并显示如何设置可用于分析和比较迭代搜索算法在各种设置。
2023-02-02 cs.AI cs.NE
Evolving ab initio trading strategies in heterogeneous environments
证券市场是典型的复杂自适应系统，在这个系统中，不同的代理人为了最大化收益而竞争。交易代理人的物种也受到进化的压力，因为整个类别的策略变得过时，新的类别出现。使用基于代理的模型的交互异构代理作为一个灵活的环境，可以内生地模拟许多不同的市场条件，我们的深度神经网络的进化压力，创造占主导地位的交易代理。在分析了这些代理的性能，并注意到通过进化过程中出现的异常超扩散，我们构建了一种方法，把高适应度代理交易算法。我们在真实的高频外汇数据上对这些交易算法进行了回测，证明了精英交易算法在各种市场条件下都能持续盈利，尽管这些算法以前从未接触过真实的金融数据。这些结果提供的证据表明，开发\textit{ab initio}交易策略的重复模拟和进化的机械市场模型可能是一个实际的替代明确培训模型与过去观察到的市场数据。
2019-12-19 cs.NE q-bio.PE q-fin.TR
A Modality-Aware Cooperative Co-Evolutionary Framework for Multimodal Graph Neural Architecture Search
Department of Computer Science and Information Technology, La Trobe University（计算机科学与信息技术系，拉特罗布大学）；Institute for Sustainable Industries and Liveable Cities, Victoria University（可持续产业与宜居城市研究所，维多利亚大学）
提出模态感知协同协同进化框架MACC-MGNAS，用于多模态图神经架构搜索，通过分治协调、双轨代理和多样性指标，在漏洞协同利用数据集上以3 GPU小时达到81.67% F1，优于现有方法。
2025-09-23 cs.LG cs.NE
An evolutionary model of animats with VLM-based subjective evaluation
Graduate School of Informatics, Nagoya University（名古屋大学信息学研究生院）
本研究提出将VLM主观评估融入遗传算法的框架，使虚拟软体机器人同步进化形态与运动，实验显示该方法可加快种群收敛，且VLM主观选择的结果与人类评估倾向相似。
2026-08-11 cs.AI cs.CL cs.HC
Computational Complexity Analysis of Simple Genetic Programming On Two Problems Modeling Isolated Program Semantics
分析二进制搜索空间的进化算法的计算复杂性，大大增加了他们的理论理解。从这篇论文开始，我们对遗传编程的计算复杂性进行了分析。我们建立了几个简化的遗传编程算法，并分析了他们的两个可分离的模型问题，订单和多数，其中每一个都抓住了一个重要方面的典型遗传编程问题。这两个分析给出了第一个严格的见解方面的遗传编程设计，特别是突出的影响，接受或拒绝中性移动和本地突变算子的重要性。
2010-11-15 cs.CC cs.DS cs.NE
On the Effectiveness of Genetic Operations in Symbolic Regression
Heuristic and Evolutionary Algorithms Laboratory（启发式与进化算法实验室）；University of Applied Sciences Upper Austria（上奥地利应用科学大学）；Institute for Formal Models and Verification（形式模型与验证研究所）；Johannes Kepler University Linz（林茨约翰开普勒大学）
本文介绍了一种方法来分析进化动力学的遗传编程（GP）使用系谱信息，多样性措施和信息的适应度变化从父母到后代。我们引入了一个新的子树跟踪方法来识别基因的起源在结构的个人，我们表明，只有一小部分的祖先个人负责的最佳解决方案的演变在人口中。
2021-08-24 cs.LG cs.NE
