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
The structure of evolutionary exploration: On crossover, buildings blocks and Estimation-Of-Distribution Algorithms
积木的概念可以与后代概率分布的结构相关：变异性强相关的基因座构成积木。我们称之为相关探索。在此背景下，我们分析的后代概率分布的结构，或勘探分布，遗传算法与变异，交叉遗传算法，估计分布算法（EDA）。结果允许交叉探索分布的结构的精确表征。从本质上讲，交叉算子通过将其转化为熵来破坏位点之间的互信息;它做了相关探索的逆。相比之下，EDAs的目标是模拟适应度分布中基因座之间的互信息，从而诱导相关探索。
2002-12-11 cs.NE nlin.AO q-bio
Evolutionary Policy Optimization
University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文针对强化学习中探索-利用权衡问题，提出集成神经进化与策略梯度的混合算法EPO，在Atari基准上验证其策略质量和样本效率优于标准PG与EC方法。
2025-04-17 cs.LG cs.NE
Exploration and Exploitation in Symbolic Regression using Quality-Diversity and Evolutionary Strategies Algorithms
Université de Paris（巴黎大学）；Ochanomizu University（御茶水女子大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
通过结合遗传编程，MAP精英和协方差矩阵自适应演化策略，我们在符号回归问题中表现出非常高的成功率。MAP-Elites用于改进探索，同时保持多样性并避免过早收敛和膨胀。然后，协方差矩阵自适应演化策略被用来评估自由标量通过非梯度的黑箱优化器。虽然这种评估方法是不计算可扩展的高维问题，我们的算法是能够找到正是大多数的$31$目标提取的文献上，我们评估它。
2019-06-10 cs.LG cs.NE
Accelerating differential evolution algorithm with Gaussian sampling based on estimating the convergence points
在本文中，我们提出了一个简单的策略，估计收敛点近似平均精英子群体。基于这一思想，我们推导出两种方法，即普通平均法和加权平均法。我们还设计了一个高斯采样算子，其估计收敛点的均值具有一定的标准差。该算子与传统的差分进化算法相结合，加快了收敛速度。数值实验表明，该算法在CEC2013软件包上对28个低维测试函数中的大多数函数都能加速差分进化，并且只需简单修改，该算法就可以很容易地扩展到其他基于种群的进化算法中.
2022-08-31 cs.NE
Self-adaptive exploration in evolutionary search
我们解决一个主要的问题，计算以及生物学研究的进化：如何能适应的探索策略，以这样一种方式，以利用所获得的信息有关的问题？我们首先介绍了一个综合的形式主义的进化搜索，提供了一个统一的观点不同的具体方法。在此基础上，我们讨论了间接建模（通过“基因型-表型映射”）对探索策略的影响。模块性，多效性和功能表型复合体等概念进行了讨论的影响。然后，严格地反映自我适应性的概念，我们引入了一个新的定义，捕获自适应性的探索：映射到相同的表型的不同基因型可能代表（也拓扑）不同的探索策略;自适应性需要沿着这样的“中性空间”的探索策略的变化。根据这一定义，中立的概念成为本文关注的中心问题。最后，我们提出了这些概念的例子：对于一个特定的语法类型的编码，我们观察到一个固定的表型的探索策略的大的变化，和一个自适应漂移到短表示与高度结构化的探索策略，匹配的“问题的结构”。
2001-02-05 cs.NE nlin.AO physics.bio-ph
An Experimental Study of Adaptive Control for Evolutionary Algorithms
探索与利用的平衡是演化计算的一个关键问题。在本文中，我们将探讨如何自适应控制器的目的是执行操作员选择可以用来动态管理所需的EvE平衡的搜索，显示由这种控制范式确定的搜索策略导致改进的解决方案的质量发现的进化算法。
2014-09-05 cs.NE
Selective-Candidate Framework with Similarity Selection Rule for Evolutionary Optimization
在进化优化算法的设计中，如何获得更好的开发和探测能力一直是一个重要而又具有挑战性的问题。困难在于在EEC中获得良好的平衡，这是由EOA中的操作和参数共同确定的。当发现开采或勘探存在缺陷时，大多数现有的工作都考虑采取零敲碎打的办法，要么设计新的作业，要么改变参数。不幸的是，当遇到不同的情况时，这些建议可能无法成为赢家。为了解决这些问题，本文提出了一种显式EEC控制方法命名为选择候选框架与相似性选择规则（SCSS）。M（M > 1）个候选者首先从具有独立操作和参数的每个当前解生成，以丰富搜索。然后，设计一个相似性选择规则，通过考虑当前解的适应度排名及其与这M个候选中的每一个的欧几里得距离来确定最终候选。优越的当前解决方案将更倾向于最接近的候选人进行有效的本地开发，而劣质的将有利于最远的勘探目的。这样，规则可以综合利用和探索，使进化更有效。将该算法应用于差分进化、演化策略和粒子群算法中的三种经典算法、四种最新算法和四种最新算法，取得了较好的性能。
2020-05-14 cs.NE
An Evolutionary Algorithm with Probabilistic Annealing for Large-scale Sparse Multi-objective Optimization
Anhui University（安徽大学）；Sapient Intelligence, Singapore（新加坡赛普智能）
本文提出一种具有概率退火的进化算法，用于解决大规模稀疏多目标优化问题，通过动态平衡探索与开发提升收敛性和多样性。
2026-03-12 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
The Benefits of Population Diversity in Evolutionary Algorithms: A Survey of Rigorous Runtime Analyses
种群多样性在进化算法中是至关重要的，以实现全局探索并避免由于过早收敛而导致的性能低下。这本书的章节回顾了运行时分析，这些分析表明了种群多样性的好处，无论是通过显式的多样性机制还是通过自然出现的多样性。这些工作表明多样性的好处是多方面的：多样性对于全局探索和找到几个全局最优解的能力很重要。多样性增强了交叉，使交叉比变异更有效。多样性在动态优化中可能至关重要，因为问题景观会随着时间的推移而变化。最后，它有利于搜索整个帕累托前沿的进化多目标优化。所提出的分析严格量化的进化算法的性能，根据人口多样性，奠定了基础，严格了解搜索动态是如何影响的存在或不存在的人口多样性和多样性机制的引入。
2018-01-30 cs.NE
A Preliminary Exploration into an Alternative CellLineNet: An Evolutionary Approach
Northeastern University（东北大学）；Old Dominion University（奥多明尼昂大学）；minoHealth AI Labs（minoHealth AI实验室）
在本文中，探索一种替代CellLineNet的进化方法：一个卷积神经网络擅长上皮乳腺癌细胞系的分类。该进化算法引入了控制变量，该控制变量引导在反向残差块、瓶颈块、残差块和基本2 × 2卷积块的搜索空间中搜索架构。EvoCELL的承诺是预测什么样的特征提取块的组合或安排，为给定的任务产生最佳的模型架构。其中，示出了在每一代之后最适合的模型如何进化的性能。最终进化的模型CellLineNet V2分类了5种类型的上皮乳腺细胞系，包括两种人癌细胞系、2种正常永生化细胞系和1种永生化小鼠细胞系（MDA-MB-468、MCF 7、10A、12 A和HC 11）。多类细胞系分类卷积神经网络扩展了我们早期关于二进制乳腺癌细胞系分类模型的工作。本文提出了一个正在进行的探索性方法，神经网络的结构设计，并提出了进一步的研究。
2020-07-26 cs.CV cs.NE eess.IV
Auto-configuring Exploration-Exploitation Tradeoff in Evolutionary Computation via Deep Reinforcement Learning
South China University of Technology（华南理工大学）；National University of Singapore（新加坡国立大学）
针对进化计算中探索-利用权衡依赖人工规则的问题，提出基于深度强化学习的自动配置框架，可自适应调整权衡策略，在CEC2021基准上显著提升多种进化算法性能且泛化性良好。
2024-04-12 cs.AI cs.NE
Resolving the Exploration-Exploitation Dilemma in Evolutionary Algorithms: A Novel Human-Centered Framework
针对进化算法中的探索-利用困境，提出以人为中心的两阶段搜索框架HCTPS，通过外部参数SSCP实现独立协调控制与自适应调节，在保障收敛机制的同时提升了搜索空间覆盖率，且设计上算法无关。
2025-04-01 cs.NE math.OC
A Hierarchical Importance-Guided Multi-objective Evolutionary Framework for Deep Neural Network Pruning
Wilfrid Laurier University（韦仕敦大学）
本文提出一种分层重要性引导的多目标进化框架，用于解决深度神经网络剪枝问题，通过分层进化搜索实现高效的参数压缩与精度平衡。
2026-04-01 cs.NE
Evolutionary Intelligence for Scientific Discovery: From Evolutionary Computation to Cumulative Discovery Systems
Xidian University（西安电子科技大学）
介绍用于科学发现的进化智能，它通过五维分析框架，将候选优化与经验保留相联以维持探索，能转化搜索轨迹为科学洞察力，在多样发现模式中演示，还指出关键瓶颈及推进从进化计算到进化智能转变的路线图。
2026-07-13 cs.AI cs.CE cs.NE
Evolutionary Swarm Robotics: Dynamic Subgoal-Based Path Formation and Task Allocation for Exploration and Navigation in Unknown Environments
University of Jaffna（贾夫纳大学）
本文提出基于子目标的路径形成与任务分配策略，解决未知环境中群体机器人的探索导航及交通拥堵问题，仿真验证其优于A*算法，具有可扩展性和鲁棒性。
2023-12-27 cs.MA cs.NE cs.RO
A Distribution Evolutionary Algorithm for the Graph Coloring Problem
针对图着色这一组合优化难题，提出基于概率模型种群的分布进化算法DEA-PPM，通过分布与解种群协同进化平衡探索与利用，小种群下性能媲美现有顶尖元启发式算法。
2023-05-02 cs.NE
Large Language Model Aided Multi-objective Evolutionary Algorithm: a Low-cost Adaptive Approach
本文提出将大语言模型与多目标进化算法结合的自适应混合框架，通过辅助评估和自动提示构建加速收敛，同时降低LLM交互成本，以提升搜索能力和泛化性能。
2024-10-03 cs.NE
Evolutionary Reinforcement Learning via Cooperative Coevolutionary Negatively Correlated Search
Southern University of Science and Technology（南方科技大学）
本文提出NCS友好的协同协同进化框架，以扩展负相关搜索并保留其并行探索行为，在10个Atari游戏上以少50%计算时间显著优于三种最先进深度强化学习方法。
2020-09-08 cs.LG cs.NE
Large Language Models as Evolutionary Optimizers
本文首次提出将大型语言模型作为进化组合优化器（LMEA），无需额外训练和领域知识，通过自适应温度机制平衡探索与利用，在20节点TSP问题上表现优于传统启发式方法。
2024-04-26 cs.NE
Limited Evaluation Evolutionary Optimization of Large Neural Networks
随机梯度下降法是训练神经网络最常用的算法。然而，其他方法，如进化算法也适用于这项任务。进化算法带来了值得探索的独特权衡，但迄今为止，计算需求将探索限制在参数较少的小型网络上。我们实现了一个完全在GPU上执行的进化算法，它可以有效地批量评估整个网络种群。在此框架下，我们探讨了有限评估进化算法的神经网络训练，发现其批量评估的思想带来了很大的精度权衡。在进一步的实验中，我们探索了交叉算子，发现无原则的随机均匀交叉表现得非常好。最后，我们使用EA在MNIST上训练了一个具有92 k参数的网络，并实现了97.6%的测试准确度，而使用Adam训练的同一网络的测试准确度为98%。代码可在https://github.com/jprellberg/gpuea上获得。
2018-06-26 cs.NE
Maintaining Diversity Provably Helps in Evolutionary Multimodal Optimization
针对多模态优化问题，本文从理论和实验上证明，在进化算法中结合交叉操作维持解空间多样性可增强探索能力，实现多项式或指数级运行时间加速。
2024-06-04 cs.NE
Learn from Global Correlations: Enhancing Evolutionary Algorithm via Spectral GNN
GNE通过谱图神经网络增强进化算法，利用频率过滤策略提升全局信息利用，解决探索与利用平衡问题，实现更高效的优化性能。
2025-11-23 cs.AI cs.NE
Proximal Policy Optimization with Evolutionary Mutations
Johns Hopkins University（约翰霍普金斯大学）
本文提出POEM，通过引入进化突变机制改进PPO，提升探索能力，在多个任务中表现优于传统PPO。
2026-01-21 cs.AI cs.GT cs.LG
Algorithm Discovery With LLMs: Evolutionary Search Meets Reinforcement Learning
EPFL（苏黎世联邦理工学院）；Apple（苹果公司）
提出通过强化学习微调持续优化大语言模型，结合进化搜索加速发现更优算法，在组合优化任务上验证有效性。
2025-08-04 cs.AI cs.LG cs.NE
Searching for Designs in-between
在设计和艺术中使用进化方法的多样性和受欢迎程度正在增加。使用这些方法进行创意制作的方法通常集中在优化或探索上。在本文中，我们介绍了一个进化系统的设计，结合这两种方法，使用户能够探索景观的设计方案，使用设计为导向的措施的健身，随着自己的审美偏好。我们使用生物启发的生成系统来测试我们的方法，该系统能够生成可以直接作为3D打印刀具路径指令导出的3D对象。对于我们的系统的搜索阶段，我们结合使用的CMA-ES算法的优化和线性插值生成的对象之间的特征探索。我们调查系统的能力，通过发展高度适合的文物，然后将它们与美观有趣的。
2021-02-11 cs.NE
Towards Self-Evolving Agents: A Human-Inspired Adaptive Exploration-Exploitation Framework for Genetic Network Programming
Fasa University（法萨大学）；Deakin University（迪肯大学）；Chulalongkorn University（朱拉隆功大学）；Torrens University Australia（澳大利亚托伦斯大学）；Obuda University（奥布达大学）
该研究受人类发育模式启发，提出人类启发的遗传网络编程（HGNP）框架，通过新型自适应交叉、变异算子及循环消除机制，动态调节遗传网络编程中探索与利用的平衡，提升了智能体策略性能，且可应用于多种GNP变体。
2026-07-15 cs.AI cs.NE
Improving Intelligence of Evolutionary Algorithms Using Experience Share and Replay
Massachusetts Institute of Technology（麻省理工学院）
我们提出了PESA，一种新的方法结合粒子群优化（PSO），演化策略（ES），模拟退火（SA）的混合算法，灵感来自强化学习。PESA通过将它们的解决方案存储在共享重放存储器中来混合这三种算法。接下来，PESA应用优先级重放，根据它们的适应度和优先级值，以频繁的形式在三种算法之间重新分配数据，这显着增强了样本多样性和算法探索。此外，贪婪重放被隐式地使用在SA中，以提高接近进化结束时的PESA利用率。对12个高维连续基准函数的验证显示出PESA对独立ES，PSO和SA的优越性能，在相似的初始起点，超参数和代数下。PESA显示出更好的探索行为，更快的收敛速度，以及找到全局最优解的能力。考虑到有前途的性能，PESA可以提供一个有效的优化选项，特别是在它经过额外的多处理改进来处理复杂和昂贵的健身功能之后。
2020-08-10 cs.LG cs.NE
A reinforcement learning guided hybrid evolutionary algorithm for the latency location routing problem
针对延迟位置路由问题，提出一种强化学习引导的混合进化算法，结合多样性增强交叉与强化学习引导邻域下降，在76个实例中改进了51个最优解，显著超越现有方法。
2024-03-21 cs.DM cs.NE
Large Scale Global Optimization by Hybrid Evolutionary Computation
Institute for Development and Research in Banking Technology（银行技术发展与研究院）；University of Hyderabad（海得拉巴大学）
在管理、商业、经济、科学、工程和研究领域，大规模全局优化（LSGO）起着主导和重要的作用。虽然LSGO在许多应用领域都有应用，但它是一个非常麻烦和不合理的任务。演化计算大会（CEC）发起了一项LSGO竞赛，以提出一系列标准基准无约束LSGO函数的算法。因此，在本文中，我们提出了一种混合元启发式算法，它结合了改进和修改的和声搜索（IMHS），以及一个改进的差分进化（MDE）与备用选择策略。和声搜索（HS）的工作是探索和利用，而差分进化的工作是对IMHS的探索进行扰动，因为和声搜索会陷入局部最优。为了判断所提出的算法的性能，我们比较了所提出的算法与10个优秀的元启发式算法的15个LSGO基准函数，其中有1000个连续的决策变量，CEC 2013 LSGO特别会议。实验结果一致表明，我们提出的混合元启发式算法在统计上与一些算法在少数问题上表现相当，而在几个问题上它是最好的。
2019-10-09 cs.AI cs.NE
Parameter Space Noise for Exploration
OpenAI（开放人工智能研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；University of California, Berkeley（加州大学伯克利分校）
深度强化学习（RL）方法通常通过在动作空间中注入噪声来进行探索行为。另一种方法是直接向代理的参数添加噪声，这可以导致更一致的探索和更丰富的行为集。进化策略等方法使用参数扰动，但丢弃过程中的所有时间结构，并需要更多的样本。将参数噪声与传统RL方法相结合，可以将两者的优点结合起来。我们表明，关闭和对政策的方法受益于这种方法，通过实验比较DQN，DDPG和TRPO高维离散动作环境以及连续控制任务。我们的研究结果表明，参数噪声的RL学习效率比传统的RL与动作空间噪声和进化策略单独。
2018-01-31 cs.AI cs.LG cs.NE
Evolutionary Algorithm for Drug Discovery Interim Design Report
一种软件程序，旨在提供对潜在药物分子的搜索空间的探索能力。该程序通过生成随机分子来探索搜索空间，确定它们的适应性，然后从最适合的个体中繁殖新一代。理论上，搜索空间是任何元素以任何顺序的任何组合，其受到元素子集和片段列表的使用的约束，所述片段是已知在药物开发中有用的分子部分。每一代产生的分子都存储在一个可搜索的数据库中，这样用户就可以浏览前几代分子，寻找感兴趣的分子。
2014-03-19 cs.CE cs.NE
Evolutionary Action Selection for Gradient-based Policy Learning
Fudan University（复旦大学）
进化算法和深度强化学习（Deep Reinforcement Learning，DRL）是近年来发展起来的一种混合算法，它们可以充分利用这两种方法的优势，更好地进行探索和开发。在这些混合算法中，进化部分保持了策略网络的种群。然而，现有的方法主要关注优化策略网络的参数，这对于进化算法来说通常是高维和棘手的。我们将进化的目标从高维参数空间转移到低维行为空间，提出了一种新的混合进化行为选择-双延迟深度确定性策略梯度（EAS-TD 3）方法。我们专注于优化策略网络所选择的动作，并试图通过进化算法获得高质量的动作来促进策略学习。我们对具有挑战性的连续控制任务进行了实验，结果表明EAS-TD 3比其他最先进的方法表现出更好的性能。
2022-09-16 cs.LG cs.NE
Evolutionary thoughts: integration of large language models and evolutionary algorithms
本文提出将大语言模型与演化算法融合，通过高效评估框架和LLM增强的搜索策略，缓解LLM推理幻觉与演化计算瓶颈，提升复杂优化问题中候选解的质量。
2025-05-09 cs.AI cs.NE
Exploration of RNA Editing and Design of Robust Genetic Algorithms
本文介绍了我们的计算方法，使用遗传算法（GA）探索RNA编辑的性质。这些模型是使用从RNA编辑系统中收集的几种基因编辑特征构建的，如在几种生物体中观察到的。我们扩展了传统的遗传算法与人工编辑机制，提出了（Rocha，1997）。编辑机制的引入为具有遗传描述的人工代理提供了一种手段，以获得更大的表型可塑性，这可能是环境调节的。我们对这些想法的第一次实现为RNA编辑的进化意义提供了一些线索。基于这些理解，我们展示了如何选择合适的RNA编辑器来设计更强大的遗传算法，结果将显示出有前途的应用到现实世界的问题。我们希望提出的框架将有助于确定RNA编辑在生物学中的进化作用，并推进遗传算法的研究现状。
2003-09-09 cs.AI cs.NE nlin.AO
Pure and Hybrid Evolutionary Computing in Global Optimization of Chemical Structures: from Atoms and Molecules to Clusters and Crystals
综述了近十年来演化计算方法在原子、分子团簇和晶体等复杂势能面研究中的发展。发展的趋势表明，纯以及混合进化计算技术结合DFT已成为一个强大的工具，虽然工作的分子团簇一直相当有限。文献中有一些直接用遗传算法求解原子/分子薛定谔方程的尝试。在Born-Oppenheimer近似水平下，GA密度方法似乎是一种可行的工具，在未来几年中可以更广泛地探索，特别是在设计具有目标特性的分子和材料的背景下。
2015-08-31 cond-mat.mtrl-sci cs.NE physics.chem-ph
A Balanced Approach of Rapid Genetic Exploration and Surrogate Exploitation for Hyperparameter Optimization
Hanyang University（汉阳大学）
本文针对超参数优化中进化算法利用能力不足的问题，提出将线性代理模型集成到遗传算法中，以平衡探索与利用，并在实验中相较现有方法取得平均1.89%的性能提升。
2025-04-10 cs.AI cs.NE
Accelerating genetic optimization of nonlinear model predictive control by learning optimal search space size
Military Technical College（军事技术学院）
本文提出通过学习最优搜索空间大小来加速非线性模型预测控制的遗传优化，利用多元回归模型自适应预测搜索空间尺寸，减少计算时间17-45%，提高收敛率35-47%，并在三个非线性系统上验证了有效性。
2025-01-13 cs.CC cs.NE cs.RO
Visual Swarm Navigation via Deep Reinforcement Learning and Evolutionary Hybrid Design
University of Alicante（阿利坎特大学）
本文提出一种结合多智能体强化学习与神经进化的混合方法，利用单目视觉和紧凑网络合成群体导航控制器，在仿真中实现高效集体探索，能耗降低31.40%。
2026-10-06 cs.MA cs.NE cs.RO
Mitigating Architectural Mismatch During the Evolutionary Synthesis of Deep Neural Networks
University of Waterloo（滑铁卢大学）
进化的深度智能最近显示出很大的希望，通过有机合成连续几代越来越有效的架构，可以产生小而强大的深度神经网络模型。现有的进化合成过程，但是，允许交配的父网络独立的架构对齐，导致网络结构的不匹配。我们提出了一个初步的研究，在进化合成过程中使用基因标签系统的建筑对齐的影响。令人惊讶的是，使用基因标记方法合成的网络架构导致性能准确性和存储大小的降低较慢;然而，所得网络在大小和性能准确性方面与非基因标记网络相当。此外，我们推测，有一个显着的减少与基因标签合成的网络的网络变异性，这表明，强制执行类似的交配政策可能会限制探索可能的网络架构的搜索空间。
2018-11-19 cs.AI cs.CV cs.NE
Shaped Policy Search for Evolutionary Strategies using Waypoints
University of Southern California（南加州大学）
本文提出利用中间路标改进进化策略在强化学习中的探索能力，通过学习轨迹中的状态-动作对动力学来加速训练，并在Carla和UR5模拟器上验证了其普适性。
2023-07-03 cs.LG cs.NE cs.RO
Evolutionary Two-Stage Hyperparameter Optimization Strategies for Physics-Informed Neural Networks
HSE University（高等经济大学）；AXXX
针对物理信息神经网络训练不稳定、超参数敏感的问题，提出基于进化算法的两阶段优化策略，先低保真筛选再全训练，在三个PDE问题上显著降低误差。
2026-06-19 cs.LG cs.NA cs.NE
Mathematical exploration and discovery at scale
Google DeepMind（谷歌DeepMind）；Department of Mathematics, Brown University（布朗大学数学系）；Institute for Advanced Study（高级研究院）；UCLA Department of Mathematics（加州大学洛杉矶分校数学系）
AlphaEvolve通过进化搜索发现数学构造，提升数学问题解决效率
2025-12-22 cs.AI cs.NE math.CA
