Analysis of Solution Quality of a Multiobjective Optimization-based Evolutionary Algorithm for Knapsack Problem
多目标优化被认为是进化优化中处理约束优化问题最有前途的方法之一。本文对求解0-1背包问题的多目标优化进化算法进行了理论研究。该算法考虑了两种初始化方法：局部搜索初始化和贪婪搜索初始化。然后从逼近比的角度分析了算法的解质量。
2015-02-12 cs.NE
Multi-Objective Evolutionary Optimization of Chance-Constrained Multiple-Choice Knapsack Problems with Implicit Probability Distributions
Southern University of Science and Technology（南方科技大学）；Central China Normal University（华中师范大学）；Institute of High Performance Computing, Agency for Science Technology and Research（新加坡科技研究局高性能计算研究所）；Nanyang Technological University（南洋理工大学）
本文提出NHILS算法，通过融合专用初始化和局部搜索，解决隐式概率分布下的多目标机会约束多选背包问题，提升收敛性、多样性和可行性。
2026-03-09 cs.NE
Multi-Objective Evolutionary Algorithms with Sliding Window Selection for the Dynamic Chance-Constrained Knapsack Problem
针对动态机会约束背包问题，提出带滑动窗口选择的多目标进化算法，通过松弛重量约束构建三目标公式，实验证明三目标方法优于双目标方法，结合滑动窗口选择可进一步提升性能。
2024-04-12 cs.NE
Chance-Constrained Multiple-Choice Knapsack Problem: Model, Algorithms, and Applications
针对物品重量概率分布未知的机会约束多选择背包问题，提出数据驱动自适应局部搜索算法，构建两类基准集，实验验证其性能优于现有基线且各组件有效，基准集已开源。
2023-12-15 cs.NE
A Weight-coded Evolutionary Algorithm for the Multidimensional Knapsack Problem
提出了一种求解多维背包问题的改进权值编码进化算法（RWCEA）。该RWCEA使用了一种新的解码方法，并在初始化中采用了一种探试法。计算结果表明，RWCEA的性能优于Raidl（1999）提出的权重编码的进化算法和一些现有的基准，它可以产生更好的结果比在OR库中报告的。
2015-04-01 cs.NE math.OC
Evolutionary Multi-Objective Algorithms for the Knapsack Problems with Stochastic Profits
进化多目标算法在求解各种随机组合优化问题时已被广泛证明是成功的。机会约束优化在复杂的现实世界场景中发挥着重要作用，因为它允许决策者考虑环境的不确定性。我们考虑一个版本的背包问题的随机利润，以保证一定程度的信心，在利润的解决方案。我们介绍了多目标制定的利润机会约束背包问题，并设计了三个双目标的适应度评价方法，工作独立的特定的置信水平所需的。我们使用著名的多目标进化算法GSEMO和NSGA-II评估我们的方法。此外，我们引入了一个过滤方法GSEMO，提高了最终人口的质量定期删除某些解决方案的临时人口的基础上，他们的置信水平。我们展示了我们的方法的有效性，在两种设置的背包项目有固定的统一的不确定性和不确定性，与项目的预期利润呈正相关的几个基准。
2023-03-03 cs.NE
Evolutionary Algorithms for Limiting the Effect of Uncertainty for the Knapsack Problem with Stochastic Profits
进化算法已被广泛用于一系列随机优化问题，以解决复杂的现实世界的优化问题。我们考虑的背包问题的利润涉及的不确定性。这种随机设置反映了重要的现实世界的情况下，可以实现的利润是不确定的。我们介绍了不同的方法来处理随机利润的基础上尾部不等式，如切比雪夫不等式和Hoeffding界限，允许限制不确定性的影响。我们研究了简单的进化算法和使用重尾变异和特定问题的交叉算子优化不确定的利润。我们对不同基准实例的实验研究显示了基于尾部不等式的不同方法的结果，以及通过重尾变异和特定问题的交叉算子实现的改进。
2022-04-12 cs.NE
Single- and Multi-Objective Evolutionary Algorithms for the Knapsack Problem with Dynamically Changing Constraints
进化算法是生物启发的算法，可以很容易地适应不断变化的环境。运行时分析领域的最新研究结果指出，（1+1）~EA和全局SEMO等算法可以在动态一致约束下有效地对线性函数进行再优化。出于这项研究的动机，我们调查单目标和多目标基线进化算法的经典背包问题的背包容量随时间变化。我们建立了不同的基准测试场景，其中容量根据均匀分布或正态分布在每个$τ$迭代中变化。我们的实验研究分析我们的算法的行为的变化幅度所确定的参数的选择分布，频率由$τ$，和类的背包的情况下考虑。我们的研究结果表明，多目标的方法，使用人口，迎合动态变化有明显的优势，在许多基准的情况下，变化的频率不是太高。此外，我们还证明，与我们简单的多目标方法相比，流行的进化多目标算法（例如NSGA-II和SPEA 2）中使用的多样性机制并不一定会带来更好的性能，甚至会导致较差的结果。
2022-06-05 cs.NE
Breeding Diverse Packings for the Knapsack Problem by Means of Diversity-Tailored Evolutionary Algorithms
在实践中，往往希望为决策者提供一套丰富的、不同的、质量良好的解决方案，而不仅仅是一个单一的解决方案。本文研究了背包问题的进化多样性优化算法。我们的目标是进化出一组至少有$(1-\varepsilon)\cdot OPT$利润的解决方案，其中OPT是最优解决方案的值。此外，它们在基于熵的多样性度量方面的结构应该有所不同。为此，我们提出了一个简单的$(μ+1)$ -EA的初始近似解计算的一个著名的FPTAS的KP。我们研究了不同的标准变异算子的效果，并引入了有偏变异和交叉，这使得在人口中的低和/或高频率的翻转位的概率很高。对不同实例和设置的实验研究表明，在大多数情况下，所提出的变异算子在长期内表现略差，但如果函数评估的数量受到严重限制，则表现出很强的优势。
2021-04-27 cs.NE
On the Use of Bi-Objective Evolutionary Algorithms for the Stochastic MKP under Dynamic Constraints
Adelaide University（阿德莱德大学）
本文研究了在动态约束下具有机会约束的随机MKP，采用双目标优化方法平衡利润最大化和概率容量满足，对比四种主流多目标进化算法在不同不确定性水平和动态变化下的表现。
2026-04-13 cs.NE
An Adaptive Quantum-inspired Differential Evolution Algorithm for 0-1 Knapsack Problem
差分进化算法是一种基于种群的进化算法，被广泛用于求解连续空间上的多维全局优化问题。然而，其算子的设计使其不适合于许多现实生活中的约束组合优化问题，操作上的二元空间。另一方面，量子启发的进化算法（QEA）是非常适合处理这样的问题，通过应用几个量子计算技术，如Q比特表示和旋转门算子等。本文扩展了微分算子的概念与自适应参数控制的量子范式，并提出了自适应量子差分进化算法（AQDE）。AQDE的性能被认为是显着优于相比，QEA和离散版本的DE对标准的0-1背包问题的所有考虑的测试用例。
2011-01-01 cs.NE
Bi-objective chance-constrained evolutionary optimization for large-scale open-pit mine scheduling under geological uncertainty
Optimisation and Logistics, School of Computer and Mathematical Sciences, The University of Adelaide（优化与物流系，计算机与数学科学学院，阿德莱德大学）
针对露天矿调度问题（OPMSP）的地质不确定性问题，提出独立于置信水平的双目标进化优化方法，通过领域特定算子集成三种算法，在含112687块的矿床实验中实现经济价值与风险的更优权衡。
2026-10-06 cs.AI cs.NE
On the use of evolutionary optimization for the dynamic chance constrained open-pit mine scheduling problem
Machine Learning and Optimisation, School of Computer Science and Information Technology, Adelaide University（机器学习与优化，计算机科学与信息学院，阿德莱德大学）
本文提出一种双目标进化方法，用于解决动态机会约束露天矿开采调度问题，通过最大化预期折现利润和最小化标准差，有效应对动态变化和不确定性。
2026-10-07 cs.AI cs.NE
A Parallel MOEA with Criterion-based Selection Applied to the Knapsack Problem
在本文中，我们提出了一个并行多目标进化算法称为并行标准为基础的分区MOEA（PCPMOEA），与应用程序的多目标背包问题（MOKP）。建议的搜索策略是基于潜在的有效解，这是分布到多个多目标进化算法（MOEAs）的周期性分区。每个MOEA都致力于一个单一的目标，其中它结合了基于标准和基于优势的方法。该算法解决了两个主要的子目标：最小化当前非支配解与理想点之间的距离，并确保潜在的有效解的传播。包括实验结果，我们评估的性能，建议的算法对上述子目标，与国家的最先进的结果相比，使用著名的多目标元分析。
2018-11-06 cs.NE math.OC
Addressing The Knapsack Challenge Through Cultural Algorithm Optimization
本文提出了一种用于解决0-1背包问题的Cultural Algorithms新变体，通过引入信念空间优化种群并动态调整交叉和变异率，实验证明其在高维度和复杂约束下能高效定位全局最优解。
2023-10-30 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 Confidence-Driven Evolutionary Algorithm for Noisy Optimization with Joint Chance Constraints
School of Engineering and Technology, The University of New South Wales（新南威尔士大学工程学院与技术学院）
提出置信驱动进化算法CR-EA-C，通过解析可行性估计、成对统计排序和改进生存策略，高效求解联合机会约束下的噪声优化问题，实验验证其有效性与通用性。
2026-09-21 cs.NE
Runtime Analysis of Single- and Multi-Objective Evolutionary Algorithms for Chance Constrained Optimization Problems with Normally Distributed Random Variables
本文从理论上研究了机会约束优化中进化算法的运行时，针对正态分布随机变量引入权衡期望成本与方差的多目标及改进凸多目标方法，克服了单目标算法的指数级优化时间，并实验验证了其有效性。
2024-08-22 cs.NE
Chance-Constrained Bi-Objective Evolutionary Optimization for the Open-Pit Mining Operational Planning Problem
Adelaide University（阿德莱德大学）
本文提出露天矿开采作业规划的机会约束双目标进化优化方法，在矿石品位不确定下最大化产量并最小化车队成本，实验表明NSGA-II和NSGA-III性能最佳，并强调不确定性大小与结构的重要性。
2026-10-06 cs.NE
Runtime Performance of Evolutionary Algorithms for the Chance-constrained Makespan Scheduling Problem
针对带机会约束的制造跨度调度问题，研究随机局部搜索和(1+1)进化算法的理论运行时间及实验性能，分析两个变体的计算复杂性。
2025-04-24 cs.NE
Weighted-Scenario Optimisation for the Chance Constrained Travelling Thief Problem
本研究提出使用有限数量的加权场景来刻画机会约束旅行窃贼问题，通过整合并适配经典TTP的进化算法与启发式程序，在满足背包约束的概率条件下最大化期望收益，并分析了算法性能及不确定性对解质量的影响。
2025-05-01 cs.NE
Sliding Window Bi-Objective Evolutionary Algorithms for Optimizing Chance-Constrained Monotone Submodular Functions
本文提出SW-GSEMO算法，通过滑动选择方法限制种群规模，用于优化机会约束单调子模函数，在理论和实验上均优于GSEMO和NSGA-II。
2024-08-07 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
3-Objective Pareto Optimization for Problems with Chance Constraints
The University of Adelaide（阿德莱德大学）；Technical University of Denmark（丹麦技术大学）
本文提出一种三目标帕累托优化形式化方法，用于处理带机会约束的问题，通过权衡期望成本、方差和确定性约束，仅用1位翻转即可计算所有权衡，并在机会约束支配集问题上验证了有效性。
2023-04-18 cs.AI cs.NE
Optimizing Monotone Chance-Constrained Submodular Functions Using Evolutionary Multi-Objective Algorithms
The University of Adelaide（阿德莱德大学）；School of Computer and Mathematical Sciences（计算机与数学科学学院）；Optimisation and Logistics（优化与物流（机构））
该研究首次分析了基于帕累托优化的进化多目标算法求解机会约束子模函数的运行时间，证明GSEMO在特定条件下可达到与贪心算法相当的性能保证，并通过实验验证进化多目标算法在相关网络问题上性能显著优于现有贪心算法。
2024-11-01 cs.LG cs.NE
Sliding Window 3-Objective Pareto Optimization for Problems with Chance Constraints
The University of Adelaide（阿德莱德大学）；Technical University of Denmark（丹麦技术大学）
本文将滑动窗口技术从双目标帕累托优化扩展到三目标形式以求解机会约束问题，在保持近似保证的同时改进了理论运行时间上界，并在机会约束支配集问题上实现了对更大规模实例的高效求解。
2024-06-07 cs.AI cs.NE
Comparing the Digital Annealer with Classical Evolutionary Algorithm
Fujitsu Research of Europe Ltd.（富士通欧洲研究有限公司）
在最近几年，已经有越来越多的研究兴趣，利用特定应用的硬件来解决优化问题。使用专用硬件的求解器的例子是IBM的Quantum System One和D-wave的Quantum Annealer（QA）和Fujitsu的Digital Annealer（DA）。这些求解器的开发是为了比在通用机器上实现的传统元算法更快地优化问题。以前的研究表明，这些求解器可以比精确求解器（如GUROBI和CPLEX）更快地优化许多问题。这样的结论还没有作出比较时，硬件求解器与经典的进化算法。传统的进化算法，如遗传算法（GA），和DA（或其他类似的求解器）之间进行公平的比较是具有挑战性的，因为后者受益于使用专用硬件，而进化算法往往是在通用机器上实现。此外，量子或量子启发的求解器仅限于以特定格式解决问题。二次无约束二进制优化（QUBO）。然而，许多优化问题是受约束的，并且具有非二进制的自然表示。将这样的问题转换为QUBO可能导致更多的问题难度和/或更大的搜索空间。在本文中解决的问题是量子或量子启发的求解器是否可以优化QUBO变换的组合优化问题的速度比经典的进化算法应用于相同的问题，在其自然表示。我们发现，DA往往提出更好的平均目标函数值比GA旅行推销员，二次分配和多维背包问题的实例。
2022-11-10 cs.AI cs.NE
Fast Estimations of Hitting Time of Elitist Evolutionary Algorithms from Fitness Levels
Nottingham Trent University（诺丁汉特伦特大学）；Southern University of Science and Technology（南方科技大学）；Lingnan University（岭南大学）
本文提出一种新的子集水平方法，用于更准确地估计精英进化算法在非水平适应度函数上的平均击中时间下限，通过漂移分析改进传统方法。
2026-03-14 cs.NE
An upper bound of the mutation probability in the genetic algorithm for general 0-1 knapsack problem
针对遗传算法中变异概率缺乏理论指导的问题，提出基于NP≠P假设的约简方法和改进变异算子，给出一般0-1背包问题变异概率上界，并证明新算子单次迭代命中最优解的概率优于传统算子。
2024-03-17 cs.CC cs.GT cs.NE
Hybridization of evolutionary algorithm and deep reinforcement learning for multi-objective orienteering optimization
多目标定向运动问题是经典的多目标路径问题，在过去的几十年里受到了广泛的关注。本研究试图通过一个问题分解框架来求解MO-OP，即将MO-OP分解为一个多目标背包问题（MOKP）和一个旅行商问题（TSP）。然后分别用多目标进化算法（MOEA）和深度强化学习（DRL）方法求解MOKP和TSP。MOEA模块用于选择城市，而DRL模块用于为这些城市规划哈密尔顿路径。这两个模块的迭代使用推动人口走向MO-OP的帕累托前沿。所提出的方法的有效性进行了比较，对NSGA-II和NSGA-III的各种类型的MO-OP的情况下。实验结果表明，该方法在几乎所有的测试实例上都表现出最好的性能，并表现出很强的泛化能力。
2022-06-21 cs.NE
A Generalized Hybrid Real-Coded Quantum Evolutionary Algorithm Based on Particle Swarm Theory with Arithmetic Crossover
本文提出了一种用于复杂函数优化和组合优化的广义混合实数编码量子进化算法（HRCQEA）。HRCQEA的主要思想是设计一种新的变异和交叉算子。利用粒子群算法的进化方程，设计了一种单-多基因变异算法，并在新的交叉算子中引入了算术交叉的概念。在HRCQEA算法中，每个三倍体染色体代表一个粒子，粒子的位置通过SMM和量子旋转门（QRG）进行更新，可以在探索和利用之间取得平衡。该算法采用交叉算子扩展搜索空间，采用爬山选择和精英策略加快收敛速度。对背包问题和5个高维复杂函数的仿真结果表明，HRCQEA算法在发现全局最优解的能力和收敛速度方面具有较好的性能。
2013-03-06 cs.NE
Multiple-gain Estimation for Running Time of Evolutionary Combinatorial Optimization
针对进化组合优化运行时间分析受适应度波动限制的问题，提出多增益模型改进平均增益模型，得到多个更优时间复杂度结果，验证了其比现有方法更具通用性。
2025-01-13 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
Superior Exploration-Exploitation Balance with Quantum-Inspired Hadamard Walks
本文提出了量子启发的Hadamard行走，称为QHW的发展中采用的类比量子启发的进化算法。本文还提出了一种新的求解组合优化问题的量子进化算法HQEA。HQEA的新颖之处在于它结合了QHW远程搜索和QHW本地搜索-本文定义的经典突变和本地搜索的量子等价物。解释了这种方法背后的直观推理，以及由此发生的探索-开发平衡。从对0，1-背包问题进行的实验结果来看，HQEA在收敛速度和精度方面明显优于传统的遗传算法CGA和两种量子进化算法QEA和NQEA。
2010-04-04 cs.NE
Cheating for Problem Solving: A Genetic Algorithm with Social Interactions
Complutense University of Madrid（马德里康普顿斯大学）；University of Nottingham（诺丁汉大学）
我们提出了一个标准的遗传算法，结合人口中的个人之间的社会互动的变化。我们的目标是了解社会系统的进化作用及其作为进化算法中的非遗传新步骤的可能应用。在生物种群中，即动物，甚至人类和微生物，社会互动往往会影响个体的健康。可以想象的是，通过社会互动的适应度扰动是一种进化策略，以避免陷入局部最优，从而避免人口的快速收敛。我们根据博弈论对社会互动进行建模。因此，种群由合作者和背叛者组成，他们的相互作用根据众所周知的博弈模型（囚徒困境，小鸡博弈等）产生收益。我们的背包问题的结果表明，对于一些游戏模型，一个显着的性能改善相比，标准的遗传算法。
2010-01-12 cs.AI cs.GT cs.NE
Evolutionary Algorithms for Solving Unconstrained, Constrained and Multi-objective Noisy Combinatorial Optimisation Problems
本研究实证评估了多种进化算法在噪声组合优化问题中的表现，发现 UMDA 及其变体在无约束、约束及多目标场景下均优于其他算法，展现出高度的鲁棒性和有效性。
2021-10-05 cs.NE
A synthetic biology approach for the design of genetic algorithms with bacterial agents
细菌一直是进化算法设计的灵感来源。20世纪初，合成生物学诞生了，这门学科的目标是设计自然界中不存在的生物系统，例如可编程的合成细菌。在本文中，我们介绍了作为一种新颖的进化算法的设计，其中所有的步骤进行合成细菌。为此，我们设计了一个遗传算法，我们称之为BAGA，说明它的效用解决简单的优化问题，如函数优化，0/1背包问题，哈密尔顿路径问题。所获得的结果打开了设想进化算法的可能性，其灵感来自合成生物学的原理、机制和遗传电路。总之，我们可以得出结论，合成生物学是一个灵感的来源，无论是进化算法的设计或其一些步骤，在我们的模拟实验中获得的结果所示。
2021-01-19 cs.MA cs.NE
Evolving Reliable Differentiating Constraints for the Chance-constrained Maximum Coverage Problem
针对机会约束最大覆盖问题，提出一种进化算法演化可靠约束集，以高置信度区分不同随机搜索算法性能，并引入考虑方差的新度量解决性能比不稳定问题。
2024-05-29 cs.NE
Defending Active Directory by Combining Neural Network based Dynamic Program and Evolutionary Diversity Optimisation
Active Directory（AD）是Windows域网络的默认安全管理系统。研究了AD攻击图上一个攻击者和一个防御者之间的Stackelberg对策模型。攻击者最初可以访问一组入口节点。攻击者可以通过策略性地探索边来扩展该集合。每条边都有一个检测率和一个失败率。攻击者的目标是在被检测到之前最大限度地提高成功到达目的地的机会。防御者的任务是阻止恒定数量的边，以减少攻击者成功的机会。我们证明了这个问题是#P-hard的，因此很难精确求解。我们将攻击者的问题转化为一个指数级大小的动态规划，该动态规划由一个神经网络（NN）来近似。一旦训练好，NN就为防守者的进化多样性优化（EDO）提供了一个有效的适应度函数。对防御者解决方案的多样性强调提供了一组不同的训练样本，这提高了我们的NN对攻击者建模的训练精度。我们在NN训练和EDO之间来回切换。实验结果表明，对于R500图，我们提出的基于EDO的防御距离最优防御不到1%。
2023-01-04 cs.NE
Estimate Hitting Time by Hitting Probability for Elitist Evolutionary Algorithms
Nottingham Trent University（诺丁汉特伦特大学）；Southern University of Science and Technology（南方科技大学）；University of Nottingham Ningbo China（诺丁汉大学宁波校区）；Lingnan University（岭南大学）
本文提出通过击中概率的漂移分析方法，用于估计精英进化算法的击中时间，通过引入路径处理多模态适应度景观，简化了击中概率的计算并比较了两种算法的性能。
2026-03-02 cs.NE
Multitask Pareto Optimization for Monotone Submodular Problems with Dynamic Constraints
Adelaide University（阿德莱德大学）
针对带动态背包约束的单调子模优化问题，本文提出多任务帕累托优化方法，通过任务间解共享提升性能，经理论分析与最大覆盖问题实验验证了其有效性。
2026-08-14 cs.NE
Analysis of Baseline Evolutionary Algorithms for the Packing While Travelling Problem
基线进化算法在组合问题上的性能已经得到了严格的研究。从理论上看，文献对线性问题进行了广泛的研究，而对非线性问题的理论分析还很落后。在本文中，包装的变化，而旅行（PWT）-也被称为非线性背包问题-作为一种尝试，从理论的角度分析行为的EA的非线性问题进行了研究。我们调查PWT两个城市和$n$项目相关的权重和利润，使用单目标和多目标算法。我们的研究结果表明，RLS\_swap，它不同于经典的RLS有能力在一次迭代中交换两个比特，发现在$O(n^3)$预期的时间内的最优解。我们还研究了GSEMO的一个增强版本，它是一个特定的选择算子来处理指数种群规模，并证明了它在相同的渐近期望时间内找到Pareto前沿。在均匀权重的情况下，（1 + 1）EA能够在期望时间$O(n^2\log{(\max\{n,p_{\max}\})})$内找到最优解，其中$p_{\max}$是给定项目的最大收益。我们还进行了实验分析，以补充我们的理论研究，并提供更多的见解运行时的行为。
2019-07-01 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
Some Network Optimization Models under Diverse Uncertain Environments
National Institute of Technology Durgapur（杜尔加布尔国立理工学院）
网络模型提供了一种有效的方法来表示数学上的许多现实生活中的问题。在过去的几十年里，网络优化领域已经见证了研究人员和实践者的兴趣高涨。本文所研究的网络模型大致分为四类：运输问题、最短路问题、最小生成树问题和最大流问题。网络优化问题的决策参数往往是不精确的，存在着各种形式的不确定性，如数据不充分或不完整、证据不足、判断不当、随机性等。在确定性环境下，网络优化问题的研究有很多.然而，在文献中，没有太多的研究，单目标和多目标网络优化问题的观察下，不同的不确定性框架。本文提出了七种不同不确定范式下的网络模型。在这里，用于制定不确定网络模型的不确定规划技术是（i）期望值模型，（ii）机会约束模型和（iii）相关机会约束模型。随后，相应的不确定网络模型的清晰的等价物，使用不同的解决方案的方法。本文所采用的求解方法大致可以分为经典方法和进化算法。本文所使用的经典方法有Dijkstra和Kruskal算法、修正的粗糙Dijkstra算法、全局准则法、模糊约束法和模糊规划法。而在进化算法中，我们提出了具有不确定交叉的变种群遗传算法，并考虑了两种多目标进化算法。
2021-02-21 cs.AI cs.NE math.OC
Not Just for Archiving: Provable Benefits of Reusing the Archive in Evolutionary Multi-objective Optimization
本文研究了在进化多目标优化中重用存档的益处，证明了通过重用存档解可提高效率，优于使用大种群规模。
2025-12-09 cs.NE
Design and Analysis of Diversity-Based Parent Selection Schemes for Speeding Up Evolutionary Multi-objective Optimisation
在多目标优化的进化算法中，父节点的选择通常是通过偏好非支配点的优势机制或指示函数来实现的。我们建议改进进化多目标优化与多样性为基础的指标的父选择。其目的是关注位于搜索空间的探索不足的区域中具有高多样性贡献的个体，因此创建新的非支配个体的机会比在人口稠密的区域中更好。我们表明，通过严格的运行时分析，使用基于多样性的父选择机制，在简单的进化多目标优化器（SEMO）和全球SEMO的众所周知的双目标函数${\rm O{\small NE}M{\small IN}M{\small AX}}$和${\rm LOTZ}$可以显着提高其性能。我们的理论结果伴随着实验研究，表明理论和实证结果之间的对应关系，并激励进一步的理论研究方面的停滞。我们表明，停滞可能会发生时，有利于个人的高多样性的贡献，在父母的选择步骤，并提供了一个讨论，该计划用于更复杂的问题，根据我们的理论和实验结果。
2018-05-22 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
General-Purpose Co-Evolutionary Construction of Parallel Algorithm Portfolios for Multi-Objective Binary Optimization
Southern University of Science and Technology（南方科技大学）；Zhongguancun Academy（中关村研究院）
本文提出DACMO方法，通过神经实例表示架构和LLM自动搜索算子生成，解决多目标二进制优化问题中的通用并行算法组合构建问题，实验显示其在四个问题类上均表现优异。
2026-05-15 cs.NE
A Theoretical Perspective on Why Stochastic Population Update Needs an Archive in Evolutionary Multi-objective Optimization
本文从理论上证明，在进化多目标优化中，随机种群更新配合存档可减小种群规模并显著降低期望运行时间上界，且(μ+μ)更新模式更适配SPU。
2025-09-25 cs.NE
Analysis of Multitasking Pareto Optimization for Monotone Submodular Problems
本文提出多任务框架解决多个相关单调子模问题，通过共享子模函数和不同背包约束，提升求解效率与Pareto前沿大小，实验验证了在元素成本一致时的改进效果。
2026-04-16 cs.NE
On the Use of Quality Diversity Algorithms for The Traveling Thief Problem
在现实世界的优化，这是常见的，面对几个子问题相互作用，形成主要问题。子问题之间存在相互依赖性，因此不可能只关注一个组件来解决这样的问题。旅行小偷问题（TTP）就是其中之一，它是旅行商问题（TSP）和背包问题（KP）的结合。本文利用质量多样性（quality diversity，QD）方法研究了TSP和KP的相互依赖性。QD算法提供了一个强大的工具，不仅要获得高质量的解决方案，但也说明了高性能的解决方案在行为空间中的分布。我们引入了一个MAP精英的进化算法，使用著名的TSP和KP搜索算子，以TSP和KP得分作为行为描述符。之后，我们进行了全面的实验研究，显示使用QD方法应用于TTP的有用性。首先，我们提供有关TSP/KP行为空间中高质量TTP解决方案的见解。之后，我们表明，更好的解决方案的TTP可以通过使用我们的QD方法，它可以提高最知名的解决方案的一些TTP的情况下，用于基准在文献中。
2023-01-04 cs.NE
Pareto Set Learning for Neural Multi-objective Combinatorial Optimization
City University of Hong Kong（香港城市大学）
多目标组合优化（MOCO）问题在实际应用中有着广泛的应用。然而，精确地解决这些问题将是非常具有挑战性的，特别是当它们是NP难的时候。在过去的几十年里，许多手工制作的探试法被提出来解决不同的MOCO问题。在这项工作中，我们推广了神经组合优化的思想，并开发了一种基于学习的方法来近似整个Pareto集为一个给定的MOCO问题，没有进一步的搜索过程。我们提出了一个单一的偏好条件模型，直接产生近似Pareto解决方案的任何权衡偏好，并设计了一个有效的多目标强化学习算法来训练这个模型。我们提出的方法可以被视为一个基于学习的扩展，广泛使用的基于分解的多目标进化算法（MOEA/D）。它使用一个单一的模型来适应所有可能的偏好，而其他方法使用有限数量的解决方案来近似帕累托集。实验结果表明，我们提出的方法显着优于其他一些方法的多目标旅行商问题，多目标车辆路径问题，多目标背包问题的解决方案的质量，速度和模型效率。
2022-05-09 cs.LG cs.NE math.OC
Differential evolution variants for Searching D- and A-optimal designs
最优实验设计是统计学的一个重要分支，它最大限度地提高了实验成功的机会。D-和A-最优设计是最优设计领域中一个非常具有挑战性的问题，即最小化逆Fisher信息矩阵的行列式和迹。传统的进化算法由于其灵活性和易于实现的特点，在处理小部分实验优化设计问题时无需进行数学推导和假设。然而，目前的进化算法仍然存在的问题，确定支持点的数量，处理不可行的重量解决方案，和不充分的实验。为了解决上述问题，本文研究了差分进化（DE）变体，用于在几种不同的统计模型上找到D-和A-最优设计。提出了一种基于欧氏距离的支持点修复操作，通过将相似的支持点与其对应的权值相结合，删除权值较小的支持点，自动确定支持点。此外，修复操作将不可行权重解固定为可行权重解。为了丰富我们的最优设计实验，我们利用提出的DE变量来测试12个统计模型上的D-和A-最优设计问题。仿真实验表明，与其他竞争算法相比，LSHADE在D-和A-最优设计问题上具有更好的性能。
2022-08-24 cs.NE
