The Hybridization of Branch and Bound with Metaheuristics for Nonconvex Multiobjective Optimization
针对非凸多目标优化问题，提出了一种结合分支定界法和多目标进化算法的混合框架。杂交利用了两种优化策略的互补特性。多目标进化算法的目的是诱导严格的下限和上界在分支定界过程。像这样的紧边界可以减少必须解决的子问题的数量。分支定界法保证了框架的整体收敛，提高了多目标进化算法的搜索能力。将NSGA-II和MOEA/D-DE作为多目标进化算法，给出了混合框架的实现。数值实验验证了混合算法的优势在于分支定界法和多目标进化算法的协同作用。
2022-12-09 cs.NE math.OC
Sequential, Parallel and Consecutive Hybrid Evolutionary-Swarm Optimization Metaheuristics
该研究对比了串行、并行、接续式混合PSO-GA元启发式算法与基础算法在多维度基准函数上的表现，证实混合算法收敛性与稳定性更优，还提出了带显式信息传递机制的新型接续混合PSO-GA算法。
2025-08-01 cs.NE math.OC
A Study of Hybrid and Evolutionary Metaheuristics for Single Hidden Layer Feedforward Neural Network Architecture
Macquarie University（麦考瑞大学）；Jamia Hamdard（贾迈亚哈姆达德大学）
本研究提出混合PSO-SGD及进化算法替代SGD训练单隐层前馈神经网络，显著降低训练MSE（90-95%），并验证了构建块假说的有效性。
2025-06-17 cs.AI cs.NE
Learning to Solve Multiresolution Matrix Factorization by Manifold Optimization and Evolutionary Metaheuristics
Indiana State University（印第安纳州立大学）；University of Chicago（芝加哥大学）
针对现有多分辨率矩阵分解（MMF）贪心方法稳定性差的问题，提出结合进化元启发式算法与Stiefel流形优化的可学习MMF，所得小波基性能更优，构建的小波神经网络在图分类任务上达前沿水平。
2024-08-18 cs.LG cs.NE
Modeling Strong Physically Unclonable Functions with Metaheuristics
进化算法已经成功地应用于攻击物理不可克隆函数（PUF）。CMA-ES被认为是一种称为可靠性攻击的攻击类型的最强大的选择。虽然没有理由怀疑CMA-ES的性能，但缺乏与不同元算法的比较，以及基于挑战-响应对的攻击的结果，如果有更适合该问题的元算法，则会留下悬而未决的问题。在本文中，我们退一步，系统地评估了几个元算法的挑战-响应对强PUF的攻击。我们的研究结果证实，CMA-ES具有最好的性能，但我们也注意到其他几个算法具有类似的性能，同时具有较小的计算成本。更准确地说，如果我们提供足够数量的挑战-响应对来训练算法，则各种配置都显示出良好的结果。因此，我们得出结论，EA代表了对PUF进行基于挑战-响应对的攻击的一个强有力的选择。
2022-02-16 cs.NE
LLaMEA: A Large Language Model Evolutionary Algorithm for Automatically Generating Metaheuristics
Leiden University（莱顿大学）；Leiden Institute of Advanced Computer Science (LIACS)（莱顿高级计算机科学研究所（LIACS））
本文提出 LLaMEA 框架，利用 GPT 模型迭代地生成、变异和选择算法，自动设计出在 BBOB 基准上优于最先进算法的黑盒元启发式优化算法，证明了 LLM 自动生成与优化算法的可行性。
2025-01-30 cs.AI cs.NE
Enhancing Mass Customization Manufacturing: Multiobjective Metaheuristic Algorithms for flow shop Production in Smart Industry
针对智能工业中大规模定制下的流水车间生产规划问题，本文提出多目标进化算法求解带缺失工序的流水车间调度，并通过大量实验验证其竞争力及缺失工序概率对优化目标的影响。
2024-07-26 cs.NE
New perspectives on the optimal placement of detectors for suicide bombers using metaheuristics
本研究针对自杀式炸弹袭击的探测器布置问题，考虑攻击者知情决策的对抗性场景，比较四种元启发式算法，发现进化算法在复杂搜索景观中表现最佳。
2024-05-29 cs.NE
Associative Constructive Evolution: Enhancing Metaheuristics through Hebbian-Learned Generative Guidance
Graduate School of Technology, Industrial and Social Sciences, Tokushima University（德岛大学技术、产业和社会科学研究生院）
本文提出关联性构造进化（ACE）框架，通过学习生成性指导增强元启发式算法，结合生成构造自动机和基础算法形成协同循环，提升搜索效率与效果。
2026-03-31 cs.NE
Comparative Analysis of Evolutionary Algorithms for Energy-Aware Production Scheduling
本研究将NSGA-III、HypE和θ-DEA三种进化算法改编为能量感知生产调度的模因元启发式算法，在实时能源市场背景下比较其多目标优化性能，并估计与精确解的距离上界。
2025-04-22 cs.NE
Mitigating Metaphors: A Comprehensible Guide to Recent Nature-Inspired Algorithms
近年来，大量新的元启发式算法探索了生物和自然世界中不同的灵感来源。这种受自然启发的算法设计方法受到了广泛的批评。一个值得注意的问题是作者倾向于使用来自灵感领域的术语，而不是更广泛的元分析和优化领域。这使得很难理解这些算法是如何工作的，也很难理解它们与其他元算法的关系。本文试图解决这个问题，至少在一定程度上，通过提供最被引用的自然启发的算法在过去的二十年中发表的可访问的描述。它还讨论了这些算法与更经典的自然启发的元算法（如进化算法和粒子群优化）之间的共性，并讨论了该领域的未来发展方向。
2020-03-25 cs.NE
TOPSIS-like metaheuristic for LABS problem
AGH University of Krakow（克拉科夫AGH科技大学）；Jagiellonian University（雅盖隆大学）
本文提出一种受TOPSIS启发的社会认知变异算子，通过追随最优解和避开最差解来改善LABS问题的优化性能，实验证明其优于基础算法。
2025-11-08 cs.NE math.OC
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
Parameter Tuning Strategies for Metaheuristic Methods Applied to Discrete Optimization of Structural Design
本文提出了几种策略来调整参数的元启发式方法的钢筋混凝土（RC）结构（离散）设计优化。提出了一种基于平均性能曲线下面积的效用度量方法。现实的RC结构的建模，分析和设计的过程中，导致目标函数的评估是计算非常昂贵的。为了避免昂贵的模拟，使用两种类型的代理模型。第一个是创建一个包含所有可能解决方案的数据库。第二种方法是利用基准函数建立基准函数的离散子空间，模拟实际问题的主要特征。基于两种策略对四种元算法进行参数调整。它们之间的主要区别是为进行部分评估而建立的参数控制。最简单的策略适合于调整好的“通才”方法，即，方法具有良好的性能，无论参数配置如何。另一个更昂贵，但非常适合评估任何方法。调试结果表明，生物地理优化，一个相对较新的进化算法，优于其他方法，如遗传算法或粒子群优化问题，由于其独特的方法，应用重组和变异算子。
2021-10-12 cs.NE
Metaheuristic optimization of power and energy systems: underlying principles and main issues of the 'rush to heuristics'
Politecnico di Torino（都灵理工大学）
在电力和能源系统领域，包含应用元启发式算法的文献贡献逐渐增加。在许多情况下，这些应用程序的目的仅仅是提出一个现有的元启发式算法对一个特定的问题进行测试，声称所提出的方法是优于其他方法的基础上弱比较。这种“急于求成”的现象并不发生在演化计算领域，因为在进化计算领域中，建立严格比较的规则更为严格，但这是元计算的典型应用领域。本文认为，电力和能源系统的应用，并旨在提供一个全面的观点的主要问题，使用元分析的全局优化问题。一组基本原则，特点的元启发式算法。定制的元启发式算法，以适应特定问题的约束进行了讨论。在文献贡献中发现的一些弱点和陷阱被确定，并提供了具体的指导方针，就如何准备合理的贡献，应用元启发式算法的具体问题。
2020-08-17 cs.AI cs.NE
Frog-Snake prey-predation Relationship Optimization (FSRO) : A novel nature-inspired metaheuristic algorithm for feature selection
本文提出蛙-蛇捕食关系优化算法（FSRO），通过模拟蛙蛇捕食行为并结合进化博弈论动态控制搜索过程，在26个数据集上的特征选择实验中取得优于对比算法的精度和数据缩减效果。
2024-02-13 cs.NE
Expensive Optimisation: A Metaheuristics Perspective
随机的，迭代搜索方法，如进化算法（EA）被证明是有效的优化。然而，他们需要评估的候选解决方案，这可能是昂贵的，在许多现实世界的优化问题。目前正在探讨使用近似模型或替代模型，以减少这类评价的次数。在本文中，我们研究了三种这样的方法。第一种方法（DAFHEA）部分取代了昂贵的功能评估其近似模型。该逼近是通过支持向量机（SVM）回归模型来实现的。第二种方法（DAFHEA II）是DAFHEA的增强，以适应不确定的环境。第三种方法使用带有偏好学习或有序回归的替代排序。通过对候选人的排名进行建模来估计候选人的适应度。一些基准数值优化问题的技术的性能已被报道。这两种技术的比较优点和缺点已经确定。
2013-03-09 cs.NE
Evolutionary Artificial Neural Network Based on Chemical Reaction Optimization
进化算法是设计和进化人工神经网络，特别是训练人工神经网络的常用工具。这些方法具有传统的反向传播（BP）方法的优势，因为它们的低计算要求时，在一个大的解决方案空间搜索。在本文中，我们使用化学反应优化（CRO），一个新发展的全局优化方法，以取代BP在训练神经网络。CRO是一种基于群体的元胞动力学，模拟化学反应中的分子跃迁及其相互作用。仿真结果表明，CRO优于许多EA策略通常用于训练神经网络。
2015-02-01 cs.NE
AED: An Anytime Evolutionary DCOP Algorithm
进化优化是一种通用的基于种群的元启发式算法，可以适用于解决各种各样的优化问题，并已被证明是非常有效的组合优化问题。然而，这种元启发式的潜力还没有被利用在分布式约束优化问题（DCOPs），一个众所周知的类组合优化问题普遍存在于多智能体系统。在本文中，我们提出了一种新的基于人口的算法，任何时间进化DCOP（AED），使用进化优化来解决DCOP。在AED中，代理合作构建一组初始的随机解，并通过一个新的机制，考虑局部利益的乐观近似逐步改善它们。此外，我们提出了一个新的随时更新机制AED，确定最好的一组分布式候选解决方案，并通知所有的代理时，发现一个新的最好的。在我们的理论分析，我们证明了AED是随时。最后，我们提出的实证结果表明AED优于国家的最先进的DCOP算法的解决方案的质量。
2020-09-02 cs.MA cs.NE
GeM-EA: A Generative and Meta-learning Enhanced Evolutionary Algorithm for Streaming Data-Driven Optimization
South China University of Technology（华南理工大学）
本文提出GeM-EA，结合元学习和生成重放，提升流数据驱动优化的适应速度和鲁棒性。
2026-04-14 cs.AI cs.NE
Routing-Led Evolutionary Algorithm for Large-Scale Multi-Objective VNF Placement Problems
University of Electronic Science and Technology of China（电子科技大学）；G-Research；Department of Computer Science, University of Exeter（埃克塞特大学计算机系）
本文提出了一种基于路由的进化算法，用于解决大规模多目标虚拟网络功能部署问题，通过改进的元启发式方法和高效数据结构，实现了对大规模数据中心的高效资源优化。
2025-12-17 cs.NE
The MOEADr Package - A Component-Based Framework for Multiobjective Evolutionary Algorithms Based on Decomposition
基于分解的多目标进化算法（MOEA/D）是一类应用广泛的基于种群的元进化算法，用于求解多目标优化问题。我们介绍了MOEADr包，它提供了许多这些变量作为面向组件的框架的实例化。这种方法有助于从文献中更容易再现现有的MOEA/D变体，以及更快地开发和测试新的复合算法。该软件包提供了一个标准化的，模块化的实现MOEA/D基于这个框架，其目的是为研究人员和从业人员提供一个标准的方式来讨论和表达MOEA/D的变体。在本文中，我们将介绍MOEADr封装背后的设计原理，以及其当前的组件。提供了三个案例研究，以说明这套方案的主要方面。
2018-07-18 cs.NE
Parallel multi-objective metaheuristics for smart communications in vehicular networks
University of Málaga（马拉加大学）
针对车载网络 AODV 路由协议参数优化问题，本文比较基于进化算法与群体智能的两种并行多目标软计算算法，所获配置优于现有优化方案且并行效率超过87%。
2025-01-16 cs.AI cs.NE cs.NI
On the Performance of Metaheuristics: A Different Perspective
Shiraz University of Technology（设拉子科技大学）
如今，我们沉浸在数十个新提出的进化和swam-intelligence元算法中，这使得很难选择一个合适的元算法应用于手头的特定优化问题。另一方面，大多数这些元哲学只不过是基本元哲学的略微修改的变体。例如，差分进化（DE）或混合蛙跳（SFL）只是遗传算法（GA）与一个专门的运营商或额外的局部搜索，分别。因此，人们想到的是，是否可以在研究其祖先的规范和特征的基础上调查这种新提出的元生态学的行为。本文对遗传算法、粒子群优化算法、人工蜂群算法、基于教学的优化算法和布谷鸟优化算法进行了综合评价研究。这使我们能够更深入地了解它们的性能，以便我们能够更好地估计所有其他变体的性能和适用性源于他们。在20个不同特性的组合优化基准函数上进行了大量的实验，结果表明，除了这些元算法的排序外，还得到了一些基本的结论：{ABC，PSO，TLBO，GA，COA}即ABC和COA分别是性能最好和最差的方法。此外，从收敛性的角度来看，PSO和ABC分别对单峰和多峰函数具有更好的收敛性，而GA和COA在许多情况下会过早收敛到局部最优，需要替代变异机制来增强多样化和全局搜索。
2020-01-24 cs.AI cs.NE
Benchmarking for Metaheuristic Black-Box Optimization: Perspectives and Open Challenges
对新优化算法的研究通常是基于这样的动机，即这些算法可能会提高处理现实世界和工业相关优化挑战的能力。除了各种各样的不同的进化和元启发式优化算法，也有大量的测试问题和基准套件已开发和用于比较评估的算法，在全局，连续和黑盒优化的背景下。然而，对于许多常用的合成基准问题或人工适应度景观，没有可用的方法将所得到的算法性能评估与技术相关的现实世界优化问题相关联，反之亦然。此外，从理论的角度来看，许多常用的基准测试问题和方法几乎没有推广价值。基于对出版物的简短评论，评论，建议和新方法，本通信旨在对与黑盒优化的系统和可推广的基准测试相关的几个开放挑战和前瞻性研究方向提供建设性的观点。
2020-07-01 cs.NE cs.PF math.OC
Controlling the Mutation in Large Language Models for the Efficient Evolution of Algorithms
针对 LLM 进化算法中变异不可控的问题，本文提出基于重尾幂律分布的动态变异提示，以自适应调节变异率，并在 GPT-4o 上验证其可提升 LLaMEA 的收敛速度与适应性。
2024-12-04 cs.NE
A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization
针对昂贵混合变量覆盖优化问题，提出基于RankNet的代理辅助混合元启发式算法RI-SHM，通过成对排名代理、局部分布估计和动态切换策略，高效处理大规模任务，性能最高提升56.5%。
2025-02-27 cs.NE
Metaheuristic Design of Feedforward Neural Networks: A Review of Two Decades of Research
VŠB-Technical University of Ostrava（俄斯特拉发技术大学）；Machine Intelligence Research Labs (MIR Labs)（机器智能研究实验室）
在过去的二十年里，前馈神经网络（FNN）优化一直是多学科研究人员和实践者的主要兴趣。模糊神经网络的优化通常从不同的角度来考虑：权值的优化、网络结构的优化、激活节点的优化、学习参数的优化、学习环境的优化等，研究者们采用这些不同的观点主要是为了提高模糊神经网络的泛化能力。梯度下降算法如反向传播算法已被广泛应用于FNN的优化。它的成功是显而易见的，从模糊神经网络的应用到许多现实世界的问题。然而，由于基于梯度的优化方法的局限性，包括进化算法、群体智能等在内的元启发式算法，仍在广泛探索的研究人员，旨在获得广义模糊神经网络的给定问题。本文试图总结一个广泛的FNN优化方法，包括传统的和元启发式的方法。本文还尝试将FNN优化实践中出现的各种研究方向，如进化神经网络（NN）、协同进化神经网络、复值神经网络、深度学习、极限学习机、量子神经网络等联系起来，为未来的研究提供有趣的研究挑战，以应对当前的信息处理时代。
2017-05-16 cs.LG cs.NE
Evolutionary Algorithms for Optimizing Emergency Exit Placement in Indoor Environments
本文提出用元胞自动机模拟疏散，并设计迭代贪婪与进化算法优化室内紧急出口布置，其中岛屿式进化算法解质量最优。
2024-05-28 cs.NE
A Social Spider Algorithm for Global Optimization
现实世界问题的日益复杂性促使计算机科学家寻找有效的解决问题的方法。基于演化计算和群体智能的元算法是自然启发求解技术的杰出例子。受社会蜘蛛的启发，提出了一种新的社会蜘蛛算法来解决全局优化问题。该算法主要基于社会性蜘蛛的觅食策略，利用蜘蛛网上的振动来确定猎物的位置。与以往提出的群体智能算法不同，我们引入了一个新的社会动物觅食策略模型来解决优化问题。此外，我们对我们提出的算法进行了初步的参数敏感性分析，为选择参数值制定了指导方针。通过一系列广泛使用的基准测试函数对社会蜘蛛算法进行了评估，与其他最先进的元算法相比，我们提出的算法具有更优越的性能。
2015-02-09 cs.NE
Evolutionary Algorithms
进化算法（Evolutionary Algorithms，EAs）是一种基于种群的元进化算法，最初受到自然进化的启发。现代的各种搜索机制结合了广泛的混合物，并倾向于将自然界的灵感与实用的工程问题相结合;然而，所有的EA基本上都是通过维护一个潜在的解决方案群体来运作的，并以某种方式人为地随着时间的推移“进化”这个群体。特别著名的EA类别包括遗传算法（GA）、遗传编程（GP）和演化策略（ES）。EA在实际应用中非常成功，特别是那些需要解决组合问题的应用。EA是高度灵活的，可以配置为解决任何优化任务，而不需要重新制定和/或简化，将需要其他技术。然而，这种灵活性与成本密切相关：定制EA的配置和参数，以便为给定类别的任务提供强大的性能，通常是一个复杂且耗时的过程。这种定制过程是与EA相关的许多正在进行的研究领域之一。
2018-05-28 cs.NE
Reinforcement learning based adaptive metaheuristics
University of Trento（特伦托大学）
参数自适应是演化计算应用于数值优化的主要趋势之一，是根据问题的性质自动调整算法超参数的能力。虽然多年来已经提出了几种手工制作的适应策略来解决这个问题，但到目前为止，在应用机器学习来学习这些策略方面的尝试很少。在这里，我们介绍了一个通用的框架，用于执行参数自适应连续域元分析的基础上，国家的最先进的强化学习算法。我们证明了这一框架的适用性的两个算法，即协方差矩阵自适应演化策略（CMA-ES）和差分进化（DE），我们学习，分别适应政策的步长（CMA-ES），和比例因子和交叉率（DE）。我们在两种设置中对这些策略进行训练，一组46个不同维度的基准函数，对策略进行各种输入：每个函数一个策略，所有函数一个全局策略。分别比较，累积步长适应（CSA）的政策和两个著名的自适应DE的变种（iDE和jDE），我们的政策是能够产生竞争力的结果在大多数情况下，特别是在DE的情况下。
2022-06-29 cs.LG cs.NE
Comparing Single and Multiobjective Evolutionary Approaches to the Inventory and Transportation Problem
EVITA（Evolutionary Inventory and Transportation Algorithm）是一种两级方法，用于解决零售连锁企业的库存和运输问题。顶层使用进化算法每周获得每个商店的交付模式，以最大限度地减少库存成本，而底层每天解决车辆路径问题（VRP），以获得与特定模式集相关的最小运输成本。本文的目的是调查这个问题的多目标方法是否可以产生任何优势，以前使用的单目标方法。所进行的分析使我们能够得出结论，情况并非如此，在所研究的病例中，单目标方法对于ITP总体上更可取。进一步的结论是，它是有用的，采用一个经典的算法，如克拉克和赖特的种子为其他元算法，如本地搜索或禁忌搜索，以提供良好的结果为车辆路径问题。
2009-09-18 cs.NE
Theoretical and Empirical Analysis of Lehmer Codes to Search Permutation Spaces with Evolutionary Algorithms
Southern University of Science and Technology（南方科技大学）；University for Foreigners of Perugia（佩鲁贾外国人大学）；Technical University of Denmark（丹麦技术大学）
本文通过理论分析和实验验证，探讨了Lehmer码在进化算法中搜索排列空间的效率及其应用价值。
2025-11-24 cs.NE
AT-MFCGA: An Adaptive Transfer-guided Multifactorial Cellular Genetic Algorithm for Evolutionary Multitasking
传输优化是一个新兴的研究领域，致力于同时解决多个优化任务。在可以有效解决这个问题的不同方法中，进化多任务借助于演化计算的概念在单个搜索过程中解决多个问题。在本文中，我们介绍了一种新的自适应元启发式算法来处理进化多任务环境中的自适应迁移引导的多因子细胞遗传算法（AT-MFCGA）。AT-MFCGA依赖于元胞自动机来实现机制，以便在所考虑的优化问题之间交换知识。此外，我们的方法本身能够解释搜索过程中遇到和利用的任务之间的协同作用，这有助于我们理解相关优化任务之间的相互作用。一个全面的实验设置的目的是评估和比较的性能AT-MFCGA的其他著名的进化多任务的替代品（MFEA和MFEA-II）。实验包括11个多任务的情况下组成的20个实例的4个组合优化问题，产生最大的离散多任务环境解决日期。结果是决定性的，在由AT-MFCGA相对于其余的方法，这是由整个搜索过程中的任务之间的遗传可转移性的定量检查的补充提供的解决方案的优良品质。
2021-05-03 cs.NE
An Inter-molecular Adaptive Collision Scheme for Chemical Reaction Optimization
最优化技术经常应用于科学和工程研究与开发。进化算法作为一种通用的元启发式算法，在解决各种优化问题中表现出了很好的效果。最近提出的化学反应启发式元启发式，化学反应优化（CRO），已被应用于解决许多全局优化问题。然而，在典型的CRO设计中，分子间无效碰撞算子的功能与壁上无效碰撞算子的功能重叠，这可能会损害整体性能。本文提出了一种新的分子间无效碰撞算子用于CRO的全局优化。为了充分利用我们新提出的算子，我们还设计了一个方案，以适应不同的搜索空间特性的优化问题的算法。我们分析了我们提出的算法的性能与一些广泛使用的基准测试功能。仿真结果表明，新算法的性能优于标准的CRO。
2015-02-01 cs.NE
Comparative analysis of evolutionary algorithms for image enhancement
Indira Gandhi Institute of Technology, GGSIP University（英迪拉·甘地工程技术学院，GGSIP大学）
进化算法是从自然进化过程中获得灵感的元启发式技术。它们可以有效地解决（在合理的时间内生成可接受质量的解决方案）复杂的优化（NP-Hard）问题。本文将图像自动增强问题视为一个优化问题，采用三种进化算法（遗传算法、差分进化算法和自组织迁移算法）来搜索最优解。它们被用来找到一个最佳的参数设置的图像增强传递函数。其目的是最大化的健身标准，这是一个衡量图像的对比度和增强图像中的细节的可见性。使用所有三种进化算法得到的增强结果之间进行比较，也与直方图均衡化方法的输出。
2013-12-18 cs.CV cs.NE
Artificial Protozoa Optimizer (APO): A novel bio-inspired metaheuristic algorithm for engineering optimization
VŠB-Technical University of Ostrava（俄斯特拉发技术大学）；Torrens University Australia（澳大利亚托伦斯大学）；Nanjing University of Information Science and Technology（南京信息工程大学）；Amman Arab University（安曼阿拉伯大学）
本文提出受原生动物觅食、休眠和繁殖行为启发的人工原生动物优化器APO，并在基准函数、工程设计及图像分割任务中验证其竞争力。
2025-05-06 cs.NE cs.RO
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
Applications of Gaussian Mutation for Self Adaptation in Evolutionary Genetic Algorithms
Harvard Medical School-MIT（哈佛医学院-麻省理工学院）；Moravian Academy Upper School（摩拉维亚学院高中部）
近年来，由于需要更强大的计算方法，优化问题变得越来越普遍。随着人工智能等技术的出现，需要新的元算法来增强经典算法的能力。最近，研究人员一直在研究查尔斯·达尔文的自然选择和进化理论，将其作为使用机器学习增强当前方法的一种手段。1960年，第一个遗传算法由John H.荷兰和他的学生。我们探讨的数学直觉的遗传算法在开发系统能够使用高斯变异，以及其在解决优化问题的影响。
2022-01-05 cs.LG cs.NE math.OC
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
Automatic tuning of communication protocols for vehicular ad hoc networks using metaheuristics
针对车载自组织网络通信协议最优配置问题，采用五种元启发式优化算法优化文件传输协议配置，实验证明粒子群优化算法在城市场景和高速路场景下性能均最优。
2025-01-15 cs.AI cs.NE cs.NI
Minimizing the energy depletion in wireless rechargeable sensor networks using bi-level metaheuristic charging schemes
School of Information and Communication Technology, Hanoi University of Science and Technology, Vietnam（信息与通信技术学院，河内科学技术大学，越南）；University of Science, Vietnam National University, Hanoi（越南国家大学河内大学科学学院）
本文提出一种双层优化的部分充电方案，同时优化充电路径与时间，以最小化无线可充电传感器网络的能量消耗，并通过两种近似算法在实验中优于现有方法。
2025-05-22 cs.AI cs.NE
A Benchmark Suite for Multi-Objective Optimization in Battery Thermal Management System Design
University of Science and Technology of China（中国科学技术大学）
针对现有元启发式算法基准缺乏工程实际约束多目标问题的缺口，本研究提出一套基于精确代理模型的电池热管理系统设计多目标优化基准套件，为相关算法提供实用测试平台。
2025-10-29 cs.NE
Particle Swarm Optimization: A survey of historical and recent developments with hybridization perspectives
粒子群优化（PSO）是一种超启发式全局优化范式，在过去的二十年中由于其易于应用于无法使用传统确定性算法解决的无监督，复杂的多维问题而变得突出。规范粒子群优化算法基于鸟类和鱼群的群集行为和社会合作，并大量借鉴了这些生物的进化行为。本文旨在提供一个彻底的调查PSO算法，特别强调其最基本的发展，部署和改进，以及一些国家的最先进的实现。概念和方向上选择的惯性权重，收缩因子，认知和社会的权重和观点的收敛，并行化，精英主义，小生境和离散优化以及邻域拓扑结构进行了概述。杂交尝试与其他进化和群体范例在选定的应用程序涵盖和最新的审查提出了感兴趣的读者。
2019-01-04 cs.NE
Synthesizing multi-layer perceptron network with ant lion, biogeography-based dragonfly algorithm evolutionary strategy invasive weed and league champion optimization hybrid algorithms in predicting heating load in residential buildings
Oxford Brookes University（牛津布鲁克斯大学）
热负荷（HL）精确近似的意义是本研究的主要动机，以区分最有效的预测模型之间的几个神经元启发式模型。提出的模型是通过综合多层感知器网络（MLP）与蚁群优化（ALO），基于地理的优化（BBO），遗传算法（DA），进化策略（ES），入侵杂草优化（IWO）和联赛冠军优化（LCA）的混合算法。每个合奏优化的操作人口。因此，ALO-MLP、BBO-MLP、DA-MLP、ES-MLP、IWO-MLP和LCA-MLP分别在350、400、200、500、50和300的群体大小下表现出最佳性能。通过实施排名系统进行比较。基于获得的总评分（OS），BBO（OS = 36）是最有效的优化技术，其次是ALO（OS = 27）和ES（OS = 20）。由于这些算法的有效性能，相应的MLP可以是有前途的替代传统方法用于HL分析。
2021-02-13 cs.LG cs.NE
Selection of Filters for Photonic Crystal Spectrometer Using Domain-Aware Evolutionary Algorithms
Leiden University（莱顿大学）；SRON Netherlands Institute for Space Research（荷兰空间研究所）；Delft University of Technology（代尔夫特理工大学）
本文针对光子晶体光谱仪痕量气体测量中的滤波器选择问题，提出距离驱动的UMDA-U-PLS-Dist进化算法，通过随机组合优化和仿真分析发现透射率局部差异大的滤波器组合能显著提升气体反演精度。
2025-11-07 cs.NE
Evolutionary framework for two-stage stochastic resource allocation problems
Federal University of Itajubá - UNIFEI（伊塔茹巴联邦大学）；State University of Mato Grosso do Sul - UEMS（南马托格罗索州立大学）；University of Campinas - UNICAMP（坎皮纳斯大学）
资源分配问题是一类必须选择资源以满足给定需求的问题。本文主要研究资源分配问题的两阶段随机推广，其中未来的需求是在有限数量的可能情况下表达的。目标是选择当前要获取的成本有效的资源（第一阶段），并为每个场景实施完整的解决方案（第二阶段），同时最小化两个阶段中选择的总预期成本。我们提出了一个进化框架，解决一般的两阶段随机资源分配问题。在我们框架的每次迭代中，本地搜索算法选择要在第一阶段获取的资源。然后，遗传元启发式算法完成每个场景的解决方案，并将相关信息传递到下一次迭代中，从而支持在接下来的第一阶段中获得有希望的资源。大量的两阶段随机斯坦纳树问题的实例上的实验表明，我们的进化框架是强大的，足以解决各种各样的两阶段随机资源分配问题的大型实例。
2018-11-29 cs.AI cs.NE
Applying Autonomous Hybrid Agent-based Computing to Difficult Optimization Problems
进化多智能体系统（Evolutionary Multi-Agent Systems，EMAS）在处理复杂的多维问题方面表现出了很好的性能，基于马尔可夫链模型的分析从理论上证明了其有效性。目前，将自主杂交技术引入EMAS的研究仍在继续。本文重点介绍了一个建议的混合版本的EMAS，并涵盖了选择和引入一些混合运营商和定义规则开始混合的步骤的主要算法。这些混合步骤利用了现有的、众所周知的和被证明是有效的元算法，并将其结果集成到主算法中。讨论的修改进行评估的基础上，一些困难的连续优化基准。
2022-10-24 cs.NE
GEGO: A Hybrid Golden Eagle and Genetic Optimization Algorithm for Efficient Hyperparameter Tuning in Resource-Constrained Environments
Sonia Akian College of Science and Engineering（索尼亚·阿基安科学与工程学院）
GEGO通过融合黄金鹰优化与遗传算法，实现了在资源受限环境下高效超参数调优，提升了搜索的多样性和稳定性。
2026-01-21 cs.AI cs.NE
COEBA: A Coevolutionary Bat Algorithm for Discrete Evolutionary Multitasking
TECNALIA, Basque Research and Technology Alliance (BRTA)（西班牙国家技术中心，巴斯克研究与技术联盟）；University of the Basque Country (UPV/EHU)（巴斯克大学）；Middlesex University London（密德萨斯大学伦敦）；Universidad de Cantabria（坎塔布里亚大学）；Toho University（东邦大学）
多任务优化是一个新兴的研究领域，在科学界引起了广泛的关注。这种范式的主要目的是如何通过执行单个搜索过程来同时解决多个优化问题或任务。实现这一目标的主要催化剂是利用待优化的任务之间可能的协同作用和互补性，通过它们之间的知识转移相互帮助（因此被称为转移优化）。在这种情况下，进化多任务通过诉诸演化计算的概念来同时解决手头的任务，从而解决传输优化问题。这项工作通过提出一种处理多任务环境的新颖算法方案来推动这一趋势。提出的方法，被称为协同进化蝙蝠算法，发现它的灵感来自共同进化策略和元启发式蝙蝠算法的概念。我们比较了我们提出的方法的性能与其多因子进化算法对应的15个不同的多任务设置，由8个参考实例的离散旅行商问题。实验和结果支持本研究的主要假设：提出的协同进化蝙蝠算法是一个很有前途的元启发式解决进化多任务的情况。
2020-03-24 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
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
Artificial Cardiac Conduction System: Simulating Heart Function for Advanced Computational Problem Solving
本文提出受人类心脏传导系统启发的ACCS元启发式算法，模拟四个心肌节点的心率控制机制，并通过19个数学函数及CEC-C06 2019基准验证其竞争力。
2024-05-18 cs.NE
