Optimal Recombination in Genetic Algorithms
本文调查结果的复杂性的最佳重组问题（ORP），这包括在寻找最好的可能的后代作为一个结果的重组算子的遗传算法，给定两个父解决方案。我们认为有效减少的ORP，允许建立多项式可解性或NP-硬度的ORP，以及直接证明的硬度结果。
2013-07-21 cs.DS cs.NE
A Step Forward in Studying the Compact Genetic Algorithm
Department of Mathematics, Southern Illinois University（南伊利诺伊大学数学系）；Iran Telecommunication Research Center（伊朗电信研究中心）
紧凑型遗传算法（cGA）是一种分布估计算法，它不使用传统的重组和变异算子，而是根据父种群的概率模型来产生后代种群。cGA只需要少量的内存;因此，它在内存受限的应用中可能非常有用。本文介绍了一个理论框架，研究cGA的收敛性的观点，其中，我们建模的cGA的马尔可夫过程和近似的行为，使用常微分方程（ODE）。然后，我们证明了相应的常微分方程收敛到局部最优，并停留在那里。因此，我们得出结论，cGA将收敛到局部最优的功能进行优化。
2009-01-06 cs.AI cs.NE
Evolutionary Synthesis of Deep Neural Networks via Synaptic Cluster-driven Genetic Encoding
University of Waterloo（滑铁卢大学）
最近，人们对实现高效的深度神经网络架构产生了极大的兴趣。实现这一目标的一个有希望的范例是进化深度智能的概念，它试图模仿生物进化过程，在连续几代人中合成高效的深度神经网络。进化深度智能的一个重要方面是用于模仿遗传的遗传编码方案，这会对后代深度神经网络的质量产生重大影响。出于神经生物学现象的突触集群，我们引入了一个新的遗传编码方案，突触概率被驱动朝向形成一个高度稀疏的突触簇。图像分类任务的实验结果表明，使用这种突触簇驱动的遗传编码方案的合成后代网络可以实现最先进的性能，同时具有不仅比原始祖先网络更有效的网络架构（MNIST的突触减少了约125倍），而且还为GPU加速的机器学习应用量身定制。
2016-11-22 cs.CV cs.LG cs.NE
A Hybrid Genetic Algorithm for the min-max Multiple Traveling Salesman Problem
本文提出一种混合遗传算法求解最小-最大多旅行商问题，通过TSP序列表示、动态规划评估、新型交叉算子、路径去交叉及自适应局部搜索，在多个基准集上优于现有算法并改进21个实例的最优解。
2023-10-28 cs.NE math.OC
Zoetrope Genetic Programming for Regression
MyDataModels；INRIA Saclay（法国国家信息与自动化研究所萨克雷中心）
Zoetrope遗传程序设计（ZGP）算法基于数学表达式的原始表示，目标是进化符号回归。Zoetrope表示从终端集开始，在部分表达式之间进行重复融合操作。个体内部的重复融合逐渐产生更复杂的表达，最终形成可以被视为新特征的东西。然后将这些特征线性组合以最佳拟合训练数据。然后，ZGP个体经历特定的交叉和变异算子，并且在父母和后代之间进行选择。使用大量的公共领域回归数据集对ZGP进行了验证，并与其他符号回归算法以及传统的机器学习算法进行了比较。ZGP达到了最先进的性能，这两种类型的算法，并证明了较低的计算时间相比，其他符号回归方法。
2021-02-26 cs.AI cs.LG 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
Genetic Algorithm enhanced by Deep Reinforcement Learning in parent selection mechanism and mutation : Minimizing makespan in permutation flow shop scheduling problems
Ecole Nationale Supérieure d'Informatique（国家高等信息学院）
本文提出 RL+GA 混合方法，利用 Q-learning 或 Sarsa(0) 动态控制遗传算法的父代选择与变异概率，在置换流水车间调度中相比静态参数配置获得更优解并保持种群多样性。
2024-01-17 cs.AI cs.NE
A Tight Runtime Analysis of the $(1+(λ, λ))$ Genetic Algorithm on OneMax
理解交叉是如何工作的仍然是进化计算研究中的一个巨大挑战，而让我们的理解精确并通过数学手段证明可能是一个更大的挑战。作为交叉可证明有用的少数示例之一，$(1+(λ, λ))$遗传算法（GA）最近在[Doerr，Doerr，Ebel：TCS 2015]中提出。利用适应度水平方法，分析了一般OneMax函数的期望优化时间，证明了对于任意后代种群大小$λ\in [1..n]$，期望优化时间都有一个$O(\max\{n\log(n)/λ, λn\})$界.我们改进这项工作在几个方面，导致更清晰的边界和更好地理解如何使用交叉加速运行时在这个算法。我们首先将运行时上界改进为$O(\max\{n\log(n)/λ, nλ\log\log(λ)/\log(λ)\})$。这种改进是通过观察在通过交叉（但不是突变）并行生成$λ$后代中，这些后代中的最佳者通常优于期望值，因此可以在一次迭代中获得多个适应度水平。然后，我们提出了这个问题的第一个下界。它与$λ$的所有值的上限相匹配。这允许确定群体大小的渐近最优值。它是$λ= Θ(\sqrt{\log(n)\log\log(n)/\log\log\log(n)})$，它给出了$Θ(n \sqrt{\log(n)\log\log\log(n)/\log\log(n)})$的优化时间。因此，改进的运行时分析提供了更好的运行时保证，以及对参数$λ$的更好的建议。最后…
2015-06-19 cs.NE
The Novel Approach of Adaptive Twin Probability for Genetic Algorithm
GA的性能进行测量和分析，其性能参数对遗传算子和相关参数的变化。在过去的四十年里，大量的研究人员一直致力于遗传算法的性能及其改进。这个早期的研究工作，分析GA的性能，需要进一步研究探索和开发的特点，并观察其对行为和整体性能的影响GA。本文介绍了一种新的方法，自适应孪生概率与先进的孪生算子，提高遗传算法的性能。高级双胞胎算子的设计是从早期作品中提到的自然遗传系统中由于单次排卵而产生的双胞胎后代推断出来的。该算子的孪生概率根据最佳个体的适应度自适应地变化，从而使GA用户不必静态地定义其值。这种新的自适应孪生概率的方法进行了实验和测试的标准基准优化测试函数。实验结果表明，最佳个人和减少收敛时间方面的准确性提高。
2013-10-04 cs.NE
Efficiency Enhancement of Probabilistic Model Building Genetic Algorithms
本文提出了两种不同的效率增强技术的概率建模遗传算法。第一种技术提出了使用变异算子，该算子在通过概率模型确定的子解邻域中进行局部搜索。第二种技术提出了建立和使用内部概率模型的健身随着变量相互作用的概率模型。一些后代的适应值估计使用概率模型，从而避免计算昂贵的功能评估。上述技术的可扩展性进行了分析，使用facewise模型的收敛时间和人口规模。预测了每种方法所获得的加速效果，并与实验结果进行了验证。结果表明，可加性分离的问题的主管突变算子需要O（k 0.5 logm）-其中k是积木大小，和m是积木的数量-少功能评价比selectorecombinative对应。结果还表明，使用内部概率适应度模型减少了所需的函数评估的数量低至1-10%，并产生2- 50的加速。
2004-05-18 cs.NE
Deep Learning-Based Operators for Evolutionary Algorithms
Ben-Gurion University of the Negev（内盖夫本-古里安大学）
该研究提出两种基于深度学习的领域无关遗传算子——用于遗传算法的深度神经交叉算子和用于遗传编程的BERT变异算子，分别借助深度强化学习编解码架构选基因、掩码替换节点提适应度，并通过实验验证了算子有效性。
2024-07-15 cs.LG cs.NE
Energy Efficient Wireless Communication using Genetic Algorithm Guided Faster Light Weight Digital Signature Algorithm (GADSA)
提出了一种基于遗传算法的无线通信中的轻量级快速数字签名算法（GADSA）。采用交叉、变异等多种遗传算子对模乘运算量进行优化。轮盘选择机制有助于选择最佳染色体，这反过来又有助于更快的计算，并最大限度地减少DSA的时间要求。最小化模乘次数本身是一个NP难问题，这意味着没有多项式时间确定性算法。本文采用基于遗传算法的最小化模乘的优化算法来解决这个问题。提议的GADSA以初始群体启动，该初始群体由一组有效且完整的个体组成。一些操作被用来产生可行的有效后代从现有的。在几个指数GADSA达到的最佳解决方案与现有的一些技术进行了比较。广泛的模拟表明，建议GADSA的竞争力的结果。
2012-08-11 cs.CR cs.NE
Simulation based Hardness Evaluation of a Multi-Objective Genetic Algorithm
研究表明，多目标优化问题是一个困难的问题。这样的问题要么需要更长的时间来收敛到最优解，要么可能根本不收敛。最近，一些研究人员声称，增加多目标问题的难度的真正罪魁祸首不是目标本身的数量，而是解决方案集的大小增加，解决方案的不相容性，以及由于局部最大值数量增加而导致的找到次优解的概率增加。在这项工作中，我们已经建立了一个简单的框架来评估多目标遗传算法（MOGA）的硬度。该算法是专为一个祈祷捕食者游戏，玩家是通过几代人来提高其寿命，具有挑战性的水平和游戏舞台的可用性。一组严格的实验进行量化的硬度在进化方面的目标函数的数量不断增加。在遗传算法中，每一代采用等概率交叉和变异产生后代。首先，通过基于适应度（成本）函数对竞争玩家进行排名来单独地最大化每个目标函数，然后通过排名来最大化多目标成本函数（各个成本函数的总和），并且也不进行排名，其中主导解决方案也允许演变。
2014-06-07 cs.NE
A restart rule for genetic algorithms based on Schnabel census
Novosibirsk State University（新西伯利亚国立大学）；Sobolev Institute of Mathematics（索博列夫数学研究所）
本文提出基于Schnabel普查法的遗传算法自适应重启规则，经实验验证，该规则可显著提升采用稳态替换方案的遗传算法性能，优于原始算法及知名的迭代倍数重启规则。
2026-10-16 cs.NE
Balanced Crossover Operators in Genetic Algorithms
在密码学和设计理论中出现的几个组合优化问题中，容许解通常必须满足平衡性约束，例如由具有固定数量的1的位串表示。出于这个原因，在文献中的几个作品处理这些优化问题的遗传算法（GA）引入了新的平衡交叉算子，确保后代具有相同的平衡特性的父母。然而，除了关于搜索空间减少的一些一般考虑之外，这种算子的使用从未被彻底地激发。在本文中，我们进行了严格的统计调查的效果平衡和不平衡的交叉运营商对三个优化问题的密码学和编码理论领域：非线性平衡布尔函数，二进制正交阵列（OA）和弯曲功能。特别是，我们考虑了三种不同的平衡交叉算子（每种都有两个变体：“从左到右”和“洗牌”），其中两个以前从未发表过，并将它们的性能与经典的一点交叉进行比较。我们能够确认平衡交叉算子的性能优于所有三个平衡交叉算子。此外，在三分之二的跨界车中，“从左到右”的版本比“洗牌”的版本表现更好。
2019-11-17 cs.NE
Approximation Guarantees for the Non-Dominated Sorting Genetic Algorithm II (NSGA-II)
Institut Polytechnique de Paris（巴黎理工学院）
该研究针对种群规模较小时NSGA-II近似帕累托前沿存在间隙的问题，分析两种改进变体的近似性能，证明其间隙不超理论最小值的小常数倍，并通过实验验证了二者的优效性。
2023-10-01 cs.AI cs.NE
Pascal-Weighted Genetic Algorithms: A Binomially-Structured Recombination Framework
Department of Electrical and Computer Engineering, University of Waterloo（电气与计算机工程系，滑铁卢大学）
本文提出了一种基于帕斯卡权重的多亲本重组框架，通过二项式权重结构实现更稳定的遗传算法性能，显著提升收敛效率和稳定性。
2026-02-06 cs.AI cs.NE cs.SY
Benchmarking a $(μ+λ)$ Genetic Algorithm with Configurable Crossover Probability
我们调查了一个家庭的$(μ+λ)$遗传算法（GAs），它创建后代无论是从突变或重组两个随机选择的父母。通过缩放交叉概率，我们可以从完全仅变异的算法向完全基于交叉的GA插值。我们分析，通过实证手段，性能如何取决于人口规模和交叉概率的相互作用。我们对25个伪布尔优化问题的比较揭示了基于交叉的配置在几个简单的优化任务上的优势，而更复杂的优化问题的情况则是混合的。此外，我们观察到，“快速”的变异方案，其幂律分布的变异强度优于标准位变异复杂的优化任务时，它与交叉相结合，但在没有交叉的情况下表现较差。然后，我们仔细研究了基于交叉的$(μ+λ)$ GA在著名的LeadingOnes基准问题上令人惊讶的良好性能。我们观察到，最佳的交叉概率随着人口规模的增加而增加$μ$。同时，它随着问题维数的增加而减小，表明交叉的优势在经典应用于运行时分析的渐近视图中是不可见的。因此，我们认为，固定尺寸的数学调查可能会帮助我们观察到的效果是不可见的，当专注于渐近性能界限。
2020-06-10 cs.NE
Faster Optimization Through Genetic Drift
针对紧凑遗传算法在不同难度爬山问题中的表现，研究发现激进模式在难问题DynamicBinVal上仍保持准线性运行时间，而保守模式速度大幅下降，揭示了遗传漂变对优化效率的影响。
2024-04-18 cs.NE math.PR
A Denoising Autoencoder that Guides Stochastic Search
Queen Mary, University of London（伦敦大学玛丽女王学院）
描述了一种自适应学习非线性突变分布的算法。它的工作原理是在遗传算法的每一代在线训练一个去噪自动编码器（DA），以重建迄今为止最佳基因型的缓慢衰减的记忆。压缩的隐藏层迫使自动编码器学习训练集中的隐藏特征，这些特征可用于加速对具有类似结构的新问题的搜索。它的输出神经元定义了一个概率分布，我们从中采样以产生后代解决方案。该算法优于一个典型的遗传算法在几个组合优化问题，如多维0/1背包问题，MAXSAT，HIFF，和参数优化问题，如Rastrigin和Rosenbrock函数。
2014-04-06 cs.LG cs.NE
NK Hybrid Genetic Algorithm for Clustering
University of São Paulo（圣保罗大学）；University of Málaga（马拉加大学）；Colorado State University（科罗拉多州立大学）
本文提出NK混合遗传算法用于聚类，利用NKCV2准则和灰盒优化，通过变异、分区交叉和局部搜索，实现任意形状簇的检测和簇数自动估计，实验效果优于对比算法。
2024-02-06 cs.LG cs.NE
Evolutionary Reinforcement Learning via Cooperative Coevolution
Southern University of Science and Technology（南方科技大学）；Research Institute of Trustworthy Autonomous System（可信自主系统研究院）；Lingnan University（岭南大学）
本文提出协同协同进化强化学习算法CoERL，通过自适应分解策略优化问题并利用部分梯度更新策略，提升高维神经网络优化效率，在六个运动控制基准上优于七种先进算法。
2024-08-01 cs.AI cs.NE
A hybrid evolutionary algorithm with importance sampling for multi-dimensional optimization
针对多维优化问题，提出了一种基于重要性采样方法的混合进化算法。为了利用搜索过程中提供的信息，选择一组访问过的解决方案来为每个维度中的间隔提供分数，并且随着算法的进行而更新。具有较高得分的那些区间被认为是好区间，其用于通过良好遗传学池（具有较小适应度值的个体）之间的相互作用来估计最优解的联合分布。而优良遗传的抽样概率是通过这些估计的优良区间之间的相互作用来确定的。它是一种交叉验证机制，确定好区间和遗传的采样概率，并使用重要性采样方法设计交叉、变异和其他随机算子。由于遗传和区间的选择不直接依赖于适应度的大小，所产生的后代可以避免局部最优的陷阱。算法中还引入了一种纯随机进化算法，以保持种群的多样性。通过30个基准测试函数对算法的性能进行了测试，结果表明，该混合算法是一种有效的多维优化算法.
2013-08-23 cs.NE
Enhancing Genetic Algorithms using Multi Mutations
Mutah University（穆塔大学）；Al-Hussein Bin Talal University（侯赛因·本·塔拉勒大学）
变异是遗传算法中最重要的阶段之一，它影响全局最优解的探索，克服早熟收敛。突变的类型有很多，问题在于选择合适的类型，在这种情况下，决定变得更加困难，需要更多的试验和错误。本文研究了使用多个变异算子来提高遗传算法的性能。提出了新的变异算子，并给出了两种变异算子的选择策略，一种是基于最优变异算子的选择策略，另一种是随机选择变异算子的策略。对旅行商问题（TSP）进行了几个实验来评估所提出的方法，并将其与著名的交换变异和重排变异进行了比较。结果表明，一些建议的方法的重要性，除了显着增强的遗传算法的性能，特别是当使用一个以上的变异算子。
2018-01-10 cs.AI cs.NE
Runtime Analysis of the $(1+(λ,λ))$ Genetic Algorithm on Random Satisfiable 3-CNF Formulas
在GECCO 2013上首次提出的$(1+(λ,λ))$遗传算法在如此优化问题上表现出令人惊讶的良好性能。到目前为止，理论分析仅限于OneMax测试函数，其中该GA受益于完美的适应度-距离相关性。在这项工作中，我们进行了严格的运行时分析，这个GA的随机3-SAT的情况下，种植的解决方案模型至少有对数平均度，这是已知的有一个较弱的健身距离相关性。我们证明了这种遗传算法与固定的不太大的人口规模再次获得运行时间优于$Θ(n \log n)$，这是一个下界的伪布尔问题的唯一最优进化算法。然而，自我调整版本的GA的风险达到人口规模的GA的中间选择，由于较弱的适应度距离相关性，是无法区分一个有利可图的后代从其他人。我们表明，这个问题可以克服装备的自调整遗传算法的人口规模的上限。除了稀疏实例之外，可以以与理想的OneMax情况相比渐近性能不会恶化的方式选择该限制。总体而言，这项工作表明，$(1+(λ,λ))$ GA可以证明有一个很好的性能组合搜索和优化问题，也存在较弱的适应度距离相关性。
2017-04-14 cs.NE
Hybrid Firefly-Genetic Algorithm for Single and Multi-dimensional 0-1 Knapsack Problems
Institute of Artificial Intelligence, Dr Vishwanath Karad MIT World Peace University（Dr Vishwanath Karad MIT世界和平大学人工智能研究所）
针对FA和GA算法在约束优化中探索与处理能力下降的问题，提出混合FAGA算法，结合两者优势，在0-1背包等问题上实现了更高的求解精度与计算效率。
2024-12-31 cs.AI cs.NE
Optimal Design of Ad Hoc Injection Networks by Using Genetic Algorithms
这项工作的目的是优化注入网络，其中包括在移动多跳ad hoc网络中添加一组远程链路（称为旁路链路），以提高连通性和克服网络分区。为此，我们依赖于小世界网络的属性，包括高聚类系数和低特征路径长度。我们调查使用两个遗传算法（代和稳态），以优化这一拓扑控制问题的三个实例，目前的结果表明，他们的能力来解决它的初步证据。
2007-07-20 cs.AI cs.NE cs.NI
The Univariate Marginal Distribution Algorithm Copes Well With Deception and Epistasis
在他们最近的工作中，Lehre和Nguyen（FOGA 2019）表明，单变量边际分布算法（UMDA）需要父种群大小的时间指数来优化DeceptiveLeadingBlocks（DLB）问题。他们从这一结果得出结论，单变量EDA有困难的欺骗和上位性。在这项工作中，我们表明，这种负面的发现是由一个不幸的选择的参数的UMDA。当选择足够大的群体大小以防止遗传漂变时，UMDA以最多$λ(\frac{n}{2} + 2 e \ln n)$适应度评估以高概率优化DLB问题。由于$n \log n$阶的后代群体大小$λ$可以防止遗传漂移，因此UMDA可以用$O(n^2 \log n)$适应度评估来解决DLB问题。相比之下，对于经典的进化算法没有更好的运行时间保证比$O(n^3)$是已知的（我们证明是紧的${(1+1)}$ EA），所以我们的结果，而不是表明，UMDA可以很好地应付欺骗和epistatis。从更广泛的角度来看，我们的研究结果表明，UMDA可以更好地应付局部最优比进化算法，这样的结果是以前只知道紧凑的遗传算法。结合Lehre和Nguyen的下界，我们的结果首次严格证明了在具有遗传漂移的制度中运行EDA会导致严重的性能损失。
2020-11-27 cs.NE
Simulation-based optimization of a production system topology -- a neural network-assisted genetic algorithm
针对生产系统拓扑优化的研究空白，提出采用基于相似度变异重组、离散事件仿真评估的遗传算法，并引入神经网络代理模型降低成本，实验验证两种算法均有效且神经网络辅助版本可扩展性更优。
2024-02-02 cs.NE cs.SY eess.SY
Level-based Analysis of Genetic Algorithms and other Search Processes
了解进化算法的时间复杂度如何依赖于其参数设置和适应度景观的特征是演化计算的一个基本问题。大多数严格的结果是使用少数关键分析技术得出的，包括漂移分析。然而，由于这些技术很少毫不费力地适用于人口为基础的EA，大多数时间复杂度的结果涉及简化的EA，如（1+1）EA。本文介绍了基于水平的定理，一种新的技术，适合人口为基础的过程。它适用于任何非精英过程，其中后代独立于仅取决于当前人口的分布进行采样。在此分布的条件下，我们的技术提供了预期时间的上限，直到该过程达到目标状态。我们展示了几个伪布尔函数的技术，排序问题，并在组合优化的最优解的近似。该定理的条件往往是直接验证，即使是遗传算法和分布估计算法，这被认为是高度非平凡的分析。最后，我们证明了定理是近最优的过程考虑。给定定理需要的关于过程的信息，一个更严格的界限无法被证明。
2016-10-27 cs.NE q-bio.PE
On Application of the Local Search and the Genetic Algorithms Techniques to Some Combinatorial Optimization Problems
本文提出了用局部搜索和遗传算法技术求解几个组合优化问题的方法。最初，这种方法的目的是克服一些困难，抑制上述技术的应用问题的问卷理论。但当算法被开发出来时，很明显，它们也可以成功地应用于最小集合覆盖，0-1背包，并可能应用于其他组合优化问题。
2010-04-29 cs.NE math.OC
Achieving Tight $O(4^k)$ Runtime Bounds on Jump$_k$ by Proving that Genetic Algorithms Evolve Near-Maximal Population Diversity
针对JUMP_k问题，提出(μ+1)-λ_c-GA变体，通过分析种群多样性收敛到近完美平衡，证明在温和条件下运行时间上界为O(μn log μ + 4^k)，对常数k达到O(n² log n)，对较大k达到紧的Θ(4^k)，并扩展到其他单峰函数。
2025-04-20 cs.NE
Influence Maximization in Hypergraphs Using A Genetic Algorithm with New Initialization and Evaluation Methods
针对普通图无法捕捉高阶交互的影响最大化问题，提出整合节点与超边影响的超图独立级联模型，结合超图集体影响优化初始化、适应度函数与变异算子的遗传算法，在合成与真实超图上性能优于对比方法。
2024-05-15 cs.NE cs.SI
Self-Adaptation Mechanism to Control the Diversity of the Population in Genetic Algorithm
应用遗传算法的问题之一是存在进化过程收敛过快导致陷入局部最优解的情况。为了克服这个问题，必须确定候选解的适当多样性。大多数现有的多样性维护机制需要一个问题的具体知识，正确设置参数。本文提出了一种无需明确参数设置就能控制种群多样性的方法。提出了一种基于交配偏好特征竞争的自适应机制。它可以使种群适应问题的适当多样性。基于九个著名的测试问题进行了实验，以衡量所提出的方法的有效性。在最佳参数设置下，自适应方法的性能与传统的遗传算法相当。
2011-09-01 cs.NE
Evaluating the impact of different types of crossover and selection methods on the convergence of 0/1 Knapsack using Genetic Algorithm
遗传算法是一种进化算法，是为了克服梯度法在求解优化搜索问题中的不足而引入的一种元启发式算法。研究了0/1背包对遗传算法收敛性的影响。通过保持代数和初始种群的固定，不同的交叉方法，如一点交叉和两点交叉进行了评估和并列彼此。此外，不同的选择方法，如排名选择，轮盘赌轮和比赛选择的影响进行了评估和比较。我们的结果表明，一点交叉与锦标赛选择相结合的收敛速度最高，从而最有效地解决0/1背包问题，对于我们考虑的0/1背包。
2020-10-07 cs.NE
A Graph Neural Network--Guided Genetic Algorithm for Physical Internet Supply Chain Optimization under Cost Uncertainty
Louisiana State University（路易斯安那州立大学）
针对成本不确定的物理互联网三级供应链优化问题，构建确定性与最小最大遗憾模型，提出GNN-GA算法，实验显示其在多实例上优于标准GA，学习到的初始化是主要改进来源。
2026-08-12 cs.LG cs.NE
Genetic Algorithms for Multiple-Choice Problems
本文研究了如何利用特定问题的知识来增强遗传算法对多选择优化问题的求解能力，结果表明，这些信息可以显著提高算法的性能，但信息的选择和信息的收录方式是成功的重要因素。考虑选择问题。2第一个问题是建立一个可行的护士名册，考虑尽可能多的请求。3在第二个问题中，商铺会根据限制及整体收益最大化的原则分配至商场内的位置。选择遗传算法是因为它们具有众所周知的鲁棒性和解决大型复杂离散优化问题的能力。然而，对文献的调查揭示了进一步研究将约束纳入遗传算法框架的通用方法的空间。因此，这项工作的主题是平衡解决方案的可行性和成本。特别是，与分层子种群的合作合作进化，利用问题结构的修复方案和具有自调整解码器功能的间接遗传算法被认为是有前途的方法。研究开始于将标准遗传算法应用于问题并解释由于上位性而导致的这种方法的失败。为了克服这个问题，以各种方式添加问题特定信息，其中一些是为了增加找到的可行解的数量，而另一些则是为了提高这些解的质量。以及关于使用每个算子的根本原因的理论讨论，对多种数据进行了广泛的计算实验，结果表明，间接方法对问题结构的依赖较小，更容易实现，解决方案质量更优。
2010-04-19 cs.AI cs.CE cs.NE
An Indirect Genetic Algorithm for a Nurse Scheduling Problem
本文介绍了一种遗传算法的方法，在英国的一家主要医院的人力调度问题。虽然遗传算法在过去已经成功地用于类似的问题，但它们总是要克服经典遗传算法范式在处理目标和约束之间的冲突的局限性。这里采用的方法是使用基于护士排列的间接编码，以及从这些排列构建时间表的启发式解码器。基于52周的实时数据的计算实验被用来评估三个不同的解码器与不同的智能水平，和四个著名的交叉运营商。通过引入混合交叉算子和利用简单的边界来减小解空间的大小，进一步增强了结果。结果表明，该算法是能够找到高质量的解决方案，是更快，更灵活，比最近发表的禁忌搜索方法。
2008-03-20 cs.CE 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
Runtime Analysis of a Heavy-Tailed $(1+(λ,λ))$ Genetic Algorithm on Jump Functions
最近观察到$(1+(λ,λ))$遗传算法可以很容易地逃脱跳函数基准的局部最优。因此，该算法可以在仅$n^{(k + 1)/2}k^{-k/2}e^{O(k)}$适应度评估的预期运行时间内优化具有跳跃大小$k$的跳跃函数（Antipov，Doerr，Karavaev（GECCO 2020））。然而，为了获得该性能，使用了取决于跳跃大小$k$的非标准参数设置。为了克服这个困难，我们建议选择两个参数的$(1+(λ,λ))$遗传算法随机从幂律分布。通过一个数学运行时分析，我们表明，这种算法与自然的实例无关的选择的分布参数的所有跳跃函数的跳跃大小最多$n/4$有一个性能接近的最佳实例特定的参数在以前的工作中获得。实例独立性的代价可以小到$O(n\log(n))$因子。考虑到跳跃问题的难度和使用轻度次优固定参数（也在本文中讨论）的运行时损失，这似乎是一个公平的价格。
2020-06-05 cs.NE
Exploiting problem structure in a genetic algorithm approach to a nurse rostering problem
有相当大的兴趣，在使用遗传算法来解决问题中出现的领域的调度和调度。然而，经典的遗传算法范例没有很好地装备，以处理目标和约束之间的冲突，通常发生在这样的问题。为了克服这一点，成功的实现经常利用特定于问题的知识。本文关注的是在英国一家大医院的护士排班问题的GA的发展。约束的结构被用作使用合作子种群的共同进化策略的基础。具体问题的知识也被用来定义一个系统的激励和抑制，和一个互补的突变算子。基于52周实时数据的实证结果显示，这些特征如何能够将不成功的规范GA改进到能够为问题提供实际解决方案的程度
2008-05-16 cs.CE cs.NE
Multi-Objective Genetic Algorithm for Multi-View Feature Selection
University of Eastern Finland（东芬兰大学）；Aalto University（阿尔托大学）
提出MMFS-GA多目标遗传算法，在统一框架内同时进行视图内与视图间特征选择，提升多视图分类性能与可解释性。
2024-03-04 cs.AI cs.LG cs.NE
DLGA-PDE: Discovery of PDEs with incomplete candidate library via combination of deep learning and genetic algorithm
College of Engineering, Peking University（北京大学工学院）；School of Environmental Science and Engineering, Southern University of Science and Technology（南方科技大学环境科学与工程学院）；Peng Cheng Laboratory（鹏城实验室）
数据驱动的方法是近年来发展起来的发现物理问题的偏微分方程（PDE）。然而，对于这些方法，通常需要PDE中的潜在术语的完整候选库。为了克服这一局限性，我们提出了一种结合深度学习和遗传算法的新框架，称为DLGA-PDE，用于发现PDE。在所提出的框架中，利用物理问题的可用数据训练的深度神经网络来生成元数据并计算导数，然后采用遗传算法来发现潜在的PDE。由于遗传算法具有变异和交叉等优点，DLGA-PDE可以处理不完整的候选库。所提出的DLGA-PDE的Korteweg-de Vries（KdV）方程，Burgers方程，波动方程，和Chaffee-Infante方程，分别进行测试的发现，概念验证。即使在存在噪声和有限数据的情况下，也可以在不需要完整候选库的情况下获得令人满意的结果。
2020-01-21 cs.LG cs.NE
An Evolutionary Approach to Drug-Design Using a Novel Neighbourhood Based Genetic Algorithm
目前的工作提供了一种新的方法来发展的配体结构，代表可能的药物对接到靶蛋白的活性位点。该结构表示为树，其中每个非空节点表示一个功能组。假设靶蛋白的活性位点构型与必需残基的位置是已知的。在本文中，配体与蛋白质靶标的相互作用能被最小化。此外，树的大小是难以获得的，并且对于不同的活动站点，它将是不同的。为了克服这一困难，我们采用了一种可变树尺寸的构型来设计配体。优化是使用一种新的基于邻域的遗传算法（NBGA），它使用动态邻域拓扑结构。为了得到可变的树大小，设计了上述算法的可变长度版本。为了评价算法的优劣，将其应用于著名的旅行商问题（TSP）。
2012-05-03 cs.CE cs.NE
Qualities, challenges and future of genetic algorithms: a literature review
遗传算法，一种模拟自然进化的计算机程序，越来越多地应用于许多学科。它们已被用于解决各种优化问题，从神经网络架构搜索到战略游戏，并对适应和学习现象进行建模。关于这种技术的质量和缺点的专业知识在很大程度上分散在文献中或以前，根据该领域的最新发展，激发了对这种知识的汇编。在这篇综述中，我们介绍了遗传算法，他们的质量，局限性和挑战，以及一些未来的发展前景。遗传算法能够探索可能的解决方案的大而复杂的空间，以快速定位有希望的元素，并提供适当的建模工具来描述进化系统，从游戏到经济。然而，他们遭受高计算成本，困难的参数配置，和关键的解决方案的代表性。最近的发展，如GPU，并行和量子计算，强大的参数控制方法的概念，以及新的方法在表示策略，可能是克服这些限制的关键。这一汇编审查的目的是通知从业者和新人在该领域都在他们的遗传算法研究，并在概述未来的研究有前途的途径。它突出了跨学科研究的潜力，将遗传算法与社会科学、开放式进化、人工生命和人工智能的原始发现联系起来。
2021-09-13 cs.DC cs.NE math.OC
Circuit-centric Genetic Algorithm (CGA) for Analog and Radio-Frequency Circuit Optimization
本文提出以电路为中心的遗传算法（CGA），通过比深度学习更高效的推理过程优化射频接收机参数，在降低功耗与噪声、提高增益上优于传统GA和手动设计，减轻设计负担。
2023-11-19 cs.NE cs.SY eess.SY
Feature Selection-based Intrusion Detection System Using Genetic Whale Optimization Algorithm and Sample-based Classification
Moghadas Ardabili Institute of Higher Education（莫格达斯·阿尔达比利高等教育学院）；National Industrial Group（国家工业集团）
防止和检测对无线网络的入侵和攻击已经成为一个重要而严峻的挑战。另一方面，由于无线节点的资源有限，在无线传感器网络中使用监测节点进行永久监测以防止和检测这种类型的网络中的入侵和攻击实际上是不存在的。因此，当今克服这个问题的解决方案就是对远程控制系统的讨论，并已成为各个领域感兴趣的话题之一。在无线传感器网络中，对节点的性能和行为进行远程监控，除了检测网络中的恶意节点外，还可以预测恶意节点未来的行为。本文提出了一种基于鲸鱼优化算法（WOA）和遗传算法（GA）相结合的特征选择和基于样本分类的网络入侵检测系统。在这项研究中，标准数据集KDDCUP 1999已被使用，其中的健康节点和恶意节点的类型的特征存储在网络中的攻击类型的基础上。该方法将基于Whale优化算法的特征选择与基于KNN分类的遗传算法相结合，在准确率指标上优于以往的方法。基于此，可以说Whale优化算法和遗传算法已经很好地提取了与类标签相关的特征，KNN方法已经能够很好地检测出无线网络中入侵检测数据集中的不当行为节点。
2022-01-03 cs.AI cs.CR cs.CY
Optimization of Test Case Generation using Genetic Algorithm (GA)
测试提供了保证软件性能的方法。软件行业的总目标实际上是为最终用户提供高质量的软件。然而，与软件测试相关的一些潜在问题是非常重要的，需要注意这些问题。这些问题是有效地生成，测试用例的优先级等，这些问题可以通过关注和集中来克服。在软件测试领域中，最大的问题之一就是如何获得一个与测试用例相关联的合适集来确认软件。一些其他的战略和方法也提出了有关航运照顾这些问题中的大多数。遗传算法属于进化算法。进化算法在测试自动生成中有着重要的作用，是当前研究的热点，本文利用遗传算法对软件测试相关问题进行了研究。此外，在应用一些分析之后，产生了更好的解决方案，即可行性和可靠性。由于遗传算法能够生成优化的测试用例，因此本研究提出了遗传算法的实现方法。在此基础上，本文给出了一个基于遗传算法的测试用例优化生成系统。
2016-12-28 cs.NE cs.SE
On Comparison between Evolutionary Programming Network-based Learning and Novel Evolution Strategy Algorithm-based Learning
Khulna University of Engineering and Technology（库尔纳工程技术大学）
本文提出了两种不同的进化系统-进化规划网络（EPNet）和新的进化策略（NES）算法。EPNet同时进行训练和架构演进，而NES是一个固定的网络，只训练网络。EPNet中提出了五种变异算子，以反映对进化ANN行为的重视。父母和他们的后代之间的紧密行为联系通过各种突变来保持，例如部分训练和节点分裂。另一方面，NES采用了两种新的遗传算子-基于子种群的最大均值算术交叉和时变变异。上述两种算法已经在一些基准问题上进行了测试，例如医学诊断问题（乳腺癌，糖尿病和心脏病）。文中给出了计算结果和它们之间的比较。
2013-05-04 cs.LG cs.NE
Flipping the switch on local exploration: Genetic Algorithms with Reversals
复杂系统的一个重要特征是问题域具有许多局部极小值和子结构。生物系统通过在不同的子系统之间切换来管理这些局部最小值，这取决于它们的环境或发展背景。遗传算法（GA）可以模仿这种切换属性，以及提供一种手段，以克服问题域的复杂性。然而，标准GA需要额外的运营商，将允许大规模的探索，以随机的方式。无约束启发式搜索技术适合于在离散域中为这种单目标优化任务提供最优解，特别是与明显较慢的基于梯度的方法相比。为了做到这一点，作者转向从航班调度域的优化问题。作者比较了这种常见的无梯度启发式搜索算法的性能，并提出了变异的遗传算法。迭代链接（IC）方法也被引入，建立在传统的链接技术，触发多个本地搜索，而不是一个突变算子的奇异动作。作者将表明，使用多个本地搜索可以提高本地随机搜索的性能，为应用到其他问题领域的主机提供了充足的机会。据观察，建议的GA变种具有最低的平均成本在所有的基准，包括提出的问题和IC算法比它的成分表现更好。
2022-08-24 cs.NE
Multi-agricultural Machinery Collaborative Task Assignment Based on Improved Genetic Hybrid Optimization Algorithm
针对大规模农机作业调度滞后与效率低问题，提出融合模拟退火、遗传算法及自适应交叉、2-Opt等算子的混合优化方法，实验证明其能降低路径成本并优于经典遗传算法。
2023-12-07 cs.IR cs.NE
Graph Neural Network Assisted Genetic Algorithm for Structural Dynamic Response and Parameter Optimization
Jadavpur University（贾达普大学）
本文提出结合图神经网络与遗传算法的框架，用于高效优化结构参数，提升动态响应预测精度并降低计算成本。
2026-02-22 cs.CE cs.NE
Audio-guided Album Cover Art Generation with Genetic Algorithms
Ghent University（根特大学）；imec（比利时微电子研究中心）
Spotify上每天有超过60，000首歌曲发布，听众注意力的竞争是巨大的。在这方面，封面艺术的吸引力和吸引力的重要性不可低估，因为它与歌曲的性格和艺术家的身份深深纠缠在一起，并且仍然是引导人们发现音乐的最重要的门户之一。然而，设计封面艺术是一个非常有创意，漫长，有时昂贵的过程，可以令人望而生畏，特别是对于非专业艺术家。出于这个原因，我们提出了一种新的深度学习框架来生成由音频特征引导的封面艺术。受VQGAN-CLIP的启发，我们的方法非常灵活，因为单个组件可以轻松更换，无需任何重新培训。本文概述了我们的模型的架构细节，并讨论了从它们出现的优化挑战。更具体地说，我们将利用遗传算法来克服坏的局部极小值和对抗性的例子。我们发现，我们的框架可以生成适合大多数流派的封面艺术，并且视觉特征适应音频特征的变化。鉴于这些结果，我们相信，我们的框架铺平了道路的扩展和更先进的应用程序在音频引导的视觉生成任务。
2022-07-14 cs.GR cs.LG cs.MM
Optimizing Modular Robot Composition: A Lexicographic Genetic Algorithm Approach
Technical University of Munich（慕尼黑工业大学）
针对模块化机器人任务定制中模块组成难以优化的问题，提出结合遗传算法与字典序评估的方法，可在更大设计空间中搜索，并在杂乱工业任务上优于现有基线。
2024-03-04 cs.LG cs.NE cs.RO
