Chaotic Fitness Dependent Optimizer for Planning and Engineering Design
适应度依赖优化算法（FDO）是一种最近的元启发式算法，它模仿蜂群的繁殖行为来寻找更好的蜂巢。该算法类似于粒子群优化（PSO），但其工作方式不同。该算法是非常强大的，有更好的结果相比，其他常见的元启发式算法。本文以提高FDO的性能为目标，将混沌理论引入FDO中，提出了混沌FDO（CFDO）。在CFDO中使用了10个混沌映射，以考虑其中哪些表现良好，以避免局部最优，并找到全局最优。由于FDO技术对种群的修正存在问题，因此采用新的技术对特定限制下的种群进行修正。使用CEC 2019中的10个基准函数对拟议的CFDO进行评估。最后，结果表明，CFDO的能力得到了提高。Singer图对CFDO的改善效果最好，Tent图对CFDO的改善效果最差。结果表明，CFDO优于GA，FDO和CSO。CEC2013和CEC2005都用于评估CFDO。最后，将CFDO应用于压力容器设计等经典工程问题，结果表明，CFDO比WOA、GWO、FDO和CGWO更能处理压力容器设计等经典工程问题。此外，将CFDO应用于任务分配问题的求解，并与原FDO进行了比较。结果表明，CFDO具有较好的解决问题的能力。
2021-08-21 cs.NE
Fitness Dependent Optimizer for IoT Healthcare using Adapted Parameters: A Case Study Implementation
本文讨论了一个关于健身依赖优化器（所谓的FDO）的案例研究，并将其参数调整为物联网（IoT）医疗保健。繁殖方式是由蜂群和FDO的协同决策引发的。与蜜蜂或人工蜂群算法相反，该算法与它们没有任何联系。在FDO中，搜索代理的位置是使用速度或速率更新的，但它的方式不同。它根据问题的适应度函数值创建权重，这有助于引导代理进行探索和开发过程。其他算法进行评估和比较FDO的遗传算法（GA）和粒子群优化（PSO）在原来的工作。目前的关键算法：Salp-Swarm算法（SSA），蜻蜓算法（DA）和鲸鱼优化算法（WOA）已被评估对FDO的结果。使用这些FDO实验结果，我们可以得出结论，FDO优于其他技术。本章有两个主要目标：首先，将逐步展示FDO的实现，以便读者能够更好地理解算法方法并快速应用FDO解决实际应用。第二个问题是如何调整FDO设置，使元启发式进化算法在物联网健康服务系统中更好地评估大量信息。最终，本章增强的目标是调整基于FDO的物联网医疗框架，以产生有效的物联网医疗应用程序，用于推理现实世界的优化，聚合，预测，分割和其他技术问题。
2022-05-18 cs.NE
Steel Plate Fault Detection using the Fitness Dependent Optimizer and Neural Networks
本文研究基于FDO和GWO优化的MLP与CMLP神经网络在钢板故障检测中的应用，实验表明FDO-based模型在所有数据集上均达到100%准确率，验证了其高精度诊断潜力。
2024-01-26 cs.NE
Fitness Dependent Optimizer with Neural Networks for COVID-19 patients
2019年在中国出现的冠状病毒，即COVID-19，严重影响了全球健康，并成为世界各地卫生机构的巨大负担。这些影响今天仍在继续。限制病毒传播的一项战略是对疑似病例进行早期诊断，并在疾病进一步传播之前采取适当措施。本工作旨在根据文本临床数据诊断和显示感染疾病的概率。在这项工作中，我们使用了五种机器学习技术（GWO_MLP、GWO_CMLP、MGWO_MLP、FDO_MLP、FDO_CMLP），所有这些技术都旨在将Covid-19患者分为两类（阳性和阴性）。实验表明，所有使用的模型有希望的结果。所应用的方法表现出非常相似的性能，通常在准确性方面。然而，在每个测试的数据集中，FDO_MLP和FDO_CMLP产生了最好的结果，准确率为100%。其他模型的结果因实验而异。结果表明，采用FDO算法作为学习算法的模型有可能获得更高的精度。然而，它被发现，FDO具有最长的运行时间相比，其他算法。COVID 19模型的链接可以在这里找到：https://github.com/Tarik4Rashid4/covid19models
2023-01-06 cs.LG cs.NE
Reverse engineering learned optimizers reveals known and novel mechanisms
Google Research, Brain Team（谷歌研究院大脑团队）；Meta Reality Labs（Meta现实实验室）
学习优化器是一种算法，它本身可以被训练来解决优化问题。与使用从理论原理导出的简单更新规则的基线优化器（如动量或亚当）相比，学习优化器使用灵活的，高维的，非线性参数化。虽然这可以在某些设置中带来更好的性能，但它们的内部工作原理仍然是一个谜。一个学习过的优化器是如何超越一个调好的基线的？它是学会了现有优化技术的复杂组合，还是实现了全新的行为？在这项工作中，我们通过仔细分析和可视化学习优化来解决这些问题。我们研究了在三个不同的任务上从头开始训练的学习优化器，发现他们已经学会了可解释的机制，包括：动量，梯度裁剪，学习率调度，以及一种新形式的学习率适应。此外，我们展示了学习优化器的动态如何实现这些行为。我们的研究结果有助于阐明以前模糊的理解如何学习优化的工作，并建立解释未来学习优化的工具。
2021-12-07 cs.LG cs.NE stat.ML
Trial-Based Dominance Enables Non-Parametric Tests to Compare both the Speed and Accuracy of Stochastic Optimizers
Kyungpook National University（庆北国立大学）；KINDI Centre for Computing Research, Qatar University（卡塔尔大学KINDI计算研究中心）；Nanyang Technological University（南洋理工大学）
当基准测试结果是有序的时，非参数测试可以确定两个随机优化算法中的较好者，如多次试验的最终适应度值。然而，对于许多基准测试，一旦达到预先指定的目标值，试验也可以终止。当只有一些试验达到目标值时，两个变量表征试验的结果：达到目标值（或不达到目标值）所需的时间和最终的适应度值。本文介绍了一种简单的方法，施加线性顺序的两个变量的试验数据集，使传统的非参数方法可以确定更好的算法时，既不占主导地位。我们用Mann-Whitney U检验说明了该方法。一个模拟表明，U分数比优势更有效的任务时，确定两个算法中的更好。我们通过让U分数确定CEC 2022特别会议和实参数数值优化竞赛的获胜者来测试U分数。
2022-12-19 cs.AI cs.NE math.OC
Evolving Deep Learning Optimizers
Sas.upenn.edu（宾夕法尼亚大学）
本文通过进化算法发现优于Adam的深度学习优化器，其结合符号梯度项和自适应矩估计，提升模型性能并揭示不同设计原则。
2025-12-05 cs.LG 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
Investigating Wave Energy Potential in Southern Coasts of the Caspian Sea Using Grey Wolf Optimizer Algorithm
近年来，海洋波浪能转换器的应用有明显加速的趋势。因此，必须采取一个合适的点来实施这些系统。此外，里海作为亚洲最重要的海洋可再生能源之一，能够为沿海地区提供大量能源。因此，在里海南部海岸的9个港口周围的地区被选中来测量其波能潜力。最初，这些点上的能量是使用不规则能量理论测量的。据观察，波功率在西南地区（Kiashahr海岸和Anzali港）高于东南地区。提出了一种新的方法来比较这些点，并使用灰色狼优化算法（GWO）和时程分析来测量它们在提供最大能量方面的适合度。在该方法中，首先从用于评估里海南部区域内的点的算法中提取最佳参数。将这些值作为评价指标。然后，利用相关函数和范数向量得到各点的适应度，给出了具有最大波浪能开发潜力的最优位置。通过实测数据验证了该方法的有效性，并证实了该方法在预测和比较不同点的波功率时的准确性。最后，通过对影响波能的参数进行对比，得出了有效波高和波能周期的最佳取值范围。
2020-08-23 cs.NA cs.NE math.NA
A Niching Indicator-Based Multi-modal Many-objective Optimizer
多模态多目标优化是寻找尽可能多的（几乎）等价Pareto最优解。文献中提出了一些多模态多目标优化的进化算法。然而，对于目标数大于3的多模态多目标优化问题，目前还没有有效的方法。针对这一问题，提出了一种基于小生境指标的多模态多目标优化算法。在所提出的方法中，适应度的计算是在一个孩子和它的最接近的个体之间的解决方案空间，以保持多样性。所提出的方法的性能进行评估多模态多目标测试问题，多达15个目标。结果表明，该方法可以处理大量的目标，并找到一个很好的近似多个等价的Pareto最优解。实验结果还表明，该方法的性能明显优于8种多目标进化算法。
2020-10-01 cs.NE
Real Time Detection Free Tracking of Multiple Objects Via Equilibrium Optimizer
Biskra University（比斯克拉大学）
多目标跟踪（MOT）是一个困难的任务，因为它通常需要特殊的硬件和较高的计算复杂度。在这项工作中，我们提出了一个新的框架MOT通过使用平衡优化算法（EO）和降低目标的边界框的分辨率来解决这些问题的检测自由的框架。首先，在第一帧图像中对目标对象进行初始化并计算其大小，如果目标对象的大小大于阈值，则降低目标对象的分辨率，然后利用目标对象的核颜色直方图对目标对象进行建模，建立特征模型。将目标模型直方图与其他候选对象之间的Bhattacharya距离作为待优化的适应度函数。根据待跟踪目标的数量，EO生成多个智能体。在全局优化中，采用EO算法是因为它的效率和较低的计算成本相比，其他算法。实验结果表明，光电多目标跟踪器取得了令人满意的跟踪效果比其他跟踪器。
2022-05-24 cs.CV cs.NE
Golden Tortoise Beetle Optimizer: A Novel Nature-Inspired Meta-heuristic Algorithm for Engineering Problems
University of Tabriz（大不里士大学）；Shahed University（沙希德大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）；Australian Catholic University（澳大利亚天主教大学）
本文提出了一种新的自然启发式算法称为黄金甲虫优化（GTBO）来解决优化问题。它模仿金龟子通过改变颜色来吸引异性交配的行为，以及金龟子用一种肛门叉来阻止捕食者的保护策略。该算法是基于甲虫的双重吸引力和生存策略来生成新的优化问题的解决方案。为了衡量其性能，建议GTBO相比，其他五个自然启发的进化算法在24个著名的基准函数调查之间的权衡探索和利用，局部最优避免，并收敛到全局最优值是统计上显着的。我们特别应用GTBO两个著名的工程问题，包括焊接梁设计问题和齿轮训练设计问题。结果表明，新算法比五个基线算法更有效的两个问题。敏感性分析也进行了揭示不同的影响算法的关键控制参数和运营商的GTBO的性能。
2021-04-04 cs.AI cs.LG cs.NA
Investigating the Interplay of Parameterization and Optimizer in Gradient-Free Topology Optimization: A Cantilever Beam Case Study
Leiden Institute of Advanced Computer Science, Leiden University（莱顿大学高级计算机科学研究所）
本研究通过悬臂梁案例探讨了参数化与优化器在无梯度拓扑优化中的相互作用，发现参数化质量对优化性能影响更大，强调了设计空间对算法选择的重要性。
2026-02-02 cs.CE cs.NE
LLM-FE: Automated Feature Engineering for Tabular Data with LLMs as Evolutionary Optimizers
Department of Computer Science, Virginia Tech（弗吉尼亚理工学院计算机科学系）
本文提出LLM-FE框架，结合LLM的领域知识和推理能力，通过进化搜索自动发现表格学习任务中的有效特征，优于现有方法。
2026-05-10 cs.AI cs.CL cs.LG
MAAPO:an innovative membrane algorithm based on artificial protozoa optimizer for multilevel threshold image segmentation
VŠB-Technical University of Ostrava（俄斯特拉发理工大学）；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）
提出基于人工原生动物优化器的膜算法MAAPO，融合膜计算与RFDB机制，在CEC2017及多级阈值图像分割中优于12种先进算法。
2026-09-14 cs.NE
Ecological Cycle Optimizer: A novel nature-inspired metaheuristic algorithm for non-convex global optimization
State Key Laboratory of Robotics and Systems, Harbin Institute of Technology（哈尔滨工业大学机器人技术与系统国家重点实验室）；School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院）
该文提出生态循环优化器ECO，受生态系统能量流动和物质循环启发，为生产者、消费者和分解者设计独特更新策略，经参数敏感性分析、多算法对比实验，验证其在优化问题及实际工程问题中均有卓越性能。
2026-07-24 cs.NE
Evolutionary Approaches to Expensive Optimisation
代理辅助进化算法（EA）在复杂的现实世界问题领域的应用中得到了迅速的普及。虽然进化算法是强大的全局优化器，寻找复杂的高维多模态问题的最优解往往需要非常昂贵的适应度函数评估。不用说，这可能使任何基于群体的迭代优化技术成为处理此类问题的最具破坏性的选择。使用近似模型或替代模型提供了一个更便宜的选择。当然，这个便宜的选择也有它自己的价格。本文讨论了在进化算法中使用近似所涉及的一些关键问题，可能的最佳实践和解决方案。已经寻求以下问题的答案：使用什么类型的适应度近似;使用哪种近似模型;如何将近似模型集成到EA中;使用多少近似;以及如何确保可靠的近似。
2013-03-12 cs.NE
Ensemble representation learning: an analysis of fitness and survival for wrapper-based genetic programming methods
University of Pennsylvania（宾夕法尼亚大学）
最近，我们提出了一个通用的，基于集成的特征工程包装器（FEW），它与许多机器学习方法配对来解决回归问题。在这里，我们调整FEW进行监督分类，并在此框架内对适应度和生存方法进行彻底分析。我们的测试表明，两个健身指标，一个介绍了适应的剪影分数，优于更常用的Fisher准则。我们分析了生存方法，并证明了$ε$ -lexicase生存在我们的测试问题中效果最好，其次是随机生存，优于比赛和确定性拥挤。我们进行了一个基准比较，几个分类方法，使用一个大的问题集，并表明，在几种情况下，FEW可以提高最佳分类器的性能。我们证明了FEW可以为具有不同ML配对的生物医学问题生成一致的、有意义的特征。
2017-08-03 cs.LG cs.NE stat.ML
Evolution of Spots and Stripes in Cellular Automata
本文提出以突变、选择和适应度驱动的演化方法替代人工工程设计来生成元胞自动机，实验得到类似豹纹和虎纹的有机生命状图案。
2025-01-08 cs.NE nlin.CG
A new approach for solving global optimization and engineering problems based on modified Sea Horse Optimizer
Helwan University（赫勒万大学）；University of Sharjah（沙迦大学）；Mansoura University（曼苏拉大学）；Middle East University（中东大学）；Al Hussein Technical University（侯赛因技术大学）；University of Granada（格拉纳达大学）
本文提出改进海马优化器 mSHO，通过三步局部搜索策略增强开发能力，在 CEC'2020 测试函数中排名第 1，并在多个工程优化问题上取得最佳结果。
2024-02-21 cs.AI cs.NE
MMAO: A Metabolic Multi-Agent Optimizer with Endogenous Resource Allocation for Continuous and Discrete Optimization
The Seventh Medical Center of Chinese PLA General Hospital（中国人民解放军总医院第七医学中心）
提出代谢多智能体优化器（MMAO），通过私有一公共代谢资源循环实现内源自适应，无需手动调参，在CEC2017和TSPLIB上验证了其参数轻量、自校准的特性。
2026-06-29 cs.MA cs.NE
Modified FOX Optimizer for Solving optimization problems
针对FOX优化器易早熟收敛的问题，提出mFOX，通过反对学习、参数调整和新更新方程增强探索，在多个基准和工程问题上优于现有算法。
2025-02-27 cs.NE math.OC
Military Dog Based Optimizer and its Application to Fake Review
Jaypee Institute of Information Technology（杰皮信息技术学院）；Delhi Technological University（德里技术大学）；IP College of Women（IP女子学院）
在过去的三十年中，超过六十元启发式算法已被提出的各种作者。这些算法的灵感来自物理现象、动物行为或进化概念。这些算法已被广泛用于解决各种现实世界的优化问题。研究人员正在不断努力改进现有的算法，并提出新的算法，这些算法与文献中的现有算法相比具有竞争力。提出了一种基于军犬小队的Meta启发式搜索算法。该算法模拟了军犬的搜索能力。军犬有很强的嗅觉，它们能够搜索可疑物体，如炸弹，野生动物粪便，货币或血液，以及它们可以通过吠叫相互交流。在17个基准函数上对该算法的性能进行了测试，并与粒子群优化（PSO）、多元宇宙优化（MVO）、遗传算法（GA）、概率学习（PBIL）和进化策略（ES）等5种元算法进行了比较。结果验证的平均值和标准偏差的适应值。通过绘制收敛图和BoxPlots验证了结果的收敛性和一致性。此外，该算法被成功地用于解决现实世界中的虚假评论检测问题。实验结果表明，该算法优于其他考虑的算法的大多数性能参数。
2019-09-26 cs.AI cs.NE
Evolving Benchmark Functions to Compare Evolutionary Algorithms via Genetic Programming
Zhejiang University of Finance & Economics（浙江财经大学）；University of Tsukuba（筑波大学）
本研究提出使用遗传规划构建优化基准函数，以Wasserstein距离为适应度度量并结合MAP-Elites算法，证明其生成的基准函数比人工设计的更能有效区分进化算法，实现了基准函数设计与算法比较的自动化。
2024-03-21 cs.AI cs.NE
Opytimizer: A Nature-Inspired Python Optimizer
优化的目的是选择一组可行的参数，试图解决特定的问题，被应用在广泛的应用，如运筹学，机器学习微调，控制工程，等等。然而，传统的迭代优化方法使用梯度和Hessian的评估来找到它们的解，由于它们的计算负担以及当使用非凸函数时，这是不实用的。最近的生物启发的方法，被称为元分析，已经出现在试图解决这些问题。即使他们不能保证找到最佳的解决方案，他们通常会找到一个合适的解决方案。在本文中，我们提出了一个基于Python的元启发式优化框架表示为优化器。实现了几种方法和类，以在不同的元算法中提供用户友好的工作空间，范围从进化到基于群的技术。
2020-12-02 cs.NE
Modified swarm-based metaheuristics enhance Gradient Descent initialization performance: Application for EEG spatial filtering
Amirkabir University of Technology（阿米尔卡比尔理工大学）；Shiraz University（设拉子大学）
梯度下降（GD）逼近器通常在具有多个凸尺度的解空间中失败，即，在子空间学习和神经网络场景中。为了解决这个问题，一个解决方案是从不同的随机初始状态运行GD多次，并在所有实验中选择最佳解决方案。然而，这种想法在很多情况下被证明是不切实际的。即使是粒子群优化（PSO）或帝国主义竞争算法（ICA），作为常用的GD初始化器，基于群的优化器，在某些应用中也未能找到最优解。在本文中，基于群的优化算法，如ICA和PSO的修改，一个新的优化框架，以提高GD优化性能。这种改进适用于在多个尺度中具有大量凸局部的应用。所提出的方法的性能进行了分析，在一个非线性子空间滤波的目标函数在EEG数据。所提出的元启发式算法在EEG分类精度和EEG损失函数适应度方面均优于常用的GD初始化基线优化器。优化器也在CEC 2014的一些基准函数中进行了比较，我们的方法再次优于其他算法。
2020-05-06 cs.LG cs.NE stat.ML
Overcoming Deceptiveness in Fitness Optimization with Unsupervised Quality-Diversity
Imperial College London（伦敦帝国学院）
针对传统优化算法易陷入欺骗性适应度地形且QD算法依赖人工特征的问题，提出无监督QD框架AURORA-XCon，结合对比学习与周期性灭绝事件，在无需领域知识下高效解决优化问题并显著超越基线。
2025-04-04 cs.NE cs.RO
Time Complexity Analysis of Evolutionary Algorithms for 2-Hop (1,2)-Minimum Spanning Tree Problem
最小生成树问题（Minimum Spanning Tree Problem）MSTP）是一个著名的组合优化问题，进化计算领域的研究人员对该问题进行了广泛的研究，从理论上分析了进化算法的优化性能。在本文中，我们考虑一个约束版本的问题命名为2-跳（1，2）-最小生成树问题（abbr。2 H-（1，2）-MSTP）的进化算法的背景下，这已被证明是NP难的。随着进化算法如何应用于求解MSTP，我们首先考虑了适用于2 H-（1，2）-MSTP的基于边表示的搜索点的进化算法（包括（1+1）EA，全局简单进化多目标优化算法及其两个变体）。更具体地说，我们分别研究其预期时间的上限（即，适应度评估的期望数目）以获得关于不同适应度函数的$\frac{3}{2}$近似解。受2-hop生成树特殊结构的启发，我们还考虑了基于顶点表示的搜索点的（1+1）EA，并给出了其获得$\frac{3}{2}$ -近似解的期望时间的上界，该上界优于上述方法.
2021-10-10 cs.NE
Efficient Multiplayer Battle Game Optimizer for Adversarial Robust Neural Architecture Search
本文提出高效多人战斗游戏优化器（EMBGO），通过整合移动与战斗阶段并引入差分变异和Lévy飞行算子，提升搜索效率与种群多样性，在CEC基准和ARNAS任务中验证了其有效性与鲁棒性。
2024-03-15 cs.NE
Uncertainty And Evolutionary Optimization: A Novel Approach
进化算法（EA）已被广泛接受为复杂的现实世界的优化问题，包括工程优化的有效解决方案。然而，现实世界的优化问题往往涉及不确定的环境，包括噪声和/或动态环境，这对基于EA的优化提出了重大挑战。噪声的存在会干扰EA的评价和选择过程，从而对其性能产生不利影响。此外，由于噪声的存在对适应度函数的评估提出了挑战，因此可能需要对其进行估计而不是评估。几种现有的方法试图解决这个问题，如引入多样性（超突变，随机移民，特殊算子）或纳入过去的记忆（二倍体，基于案例的记忆）。然而，这些方法未能充分解决该问题。在本文中，我们提出了一种分布式种群切换进化算法（DPSEA）的方法，解决了优化的功能与噪声适应度使用分布式种群切换架构，模拟一个分布式自适应记忆的解决方案空间。在伪种群中使用局部回归来估计适应度。基准测试问题的成功应用，确定所提出的方法的优越性能的鲁棒性和准确性。
2014-11-21 cs.NE
ANA: Ant Nesting Algorithm for Optimizing Real-World Problems
提出了一种新的群体智能算法--蚂蚁嵌套算法（ANA）.该算法受到Leptothorax蚂蚁的启发，并模仿蚂蚁在建造新巢时寻找存放谷物的位置的行为。虽然该算法的灵感来自于蚂蚁的群集行为，但它与蚁群优化（ACO）算法没有任何算法相似性。值得一提的是，ANA被认为是一种连续算法，其通过添加变化率（例如，步骤或速度）。ANA计算变化率的方式不同，因为它在优化过程中使用以前的、当前的解决方案和适应度值，通过利用毕达哥拉斯定理来生成权重。这些权重在探索和开发阶段驱动搜索代理。在26个著名的测试函数上对ANA算法进行了基准测试，并与遗传算法、粒子群优化算法、粒子群优化算法、五种改进的粒子群优化算法、鲸鱼优化算法、salp群算法和适应度依赖优化算法进行了比较研究。ANA优于这些突出的元启发式算法在几个测试用例，并提供了相当有竞争力的结果。最后，该算法被用于优化两个著名的现实世界的工程问题：天线阵列设计和调频合成。工程算例表明，该算法具有较好的求解实际问题的能力。
2021-12-04 cs.NE
Spontaneous organization leads to robustness in evolutionary algorithms
已知生物系统的相互作用网络具有若干非随机结构特性，其中一些被认为对系统鲁棒性有积极影响。研究人员才刚刚开始了解这些结构特性是如何出现的，然而，组件适应性和社区发展（模块化）的作用引起了科学界的兴趣。在这项研究中，我们将这些概念中的一些应用到进化算法中，并使用人口在适应度景观上移动时接收的信息自发地组织其人口。更准确地说，我们采用健身和聚类为基础的驱动力，指导网络结构的动态，这反过来又控制的人口动态的进化算法。为了评估这对进化的影响，实验进行了6个工程设计问题和6个人工测试功能，并与细胞遗传算法和其他16个进化算法设计。我们的研究结果表明，自组织拓扑进化算法表现出令人惊讶的强大的搜索行为，在短期和长期的时间尺度上观察到有前途的性能。经过仔细分析这些结果，我们得出结论，人口和它的拓扑结构之间的协同进化是一个强大的新范式设计强大的搜索引擎。
2011-02-06 cs.AI cs.NE
An Enhanced Grey Wolf Optimizer with Elite Inheritance and Balance Search Mechanisms
Jilin University of Finance and Economics（吉林财经大学）；Auckland University of Technology（奥克兰理工大学）；State University of New York（纽约州立大学）
针对原始GWO无法继承精英位置及缺乏局部与全局搜索平衡的缺陷，本文提出融合精英继承与平衡搜索机制的EBGWO，并通过CEC 2014函数和工程问题验证其优势。
2024-04-09 cs.AI cs.NE
MRSO: Balancing Exploration and Exploitation through Modified Rat Swarm Optimization for Global Optimization
针对标准鼠群优化器收敛精度与探索能力不足的问题，提出改进型鼠群优化器MRSO以平衡探索与利用，经经典基准、CEC 2019基准及工程设计问题验证，其性能优于标准RSO及8种近年知名算法。
2024-09-20 cs.NE
MEGO: Learning Mixture-of-Experts for General-Purpose Binary Optimization
Southern University of Science and Technology（南方科技大学）；Guangdong Provincial Key Laboratory of Brain-inspired Intelligent Computation（广东省脑启发智能计算重点实验室）；Nanyang Technological University（南洋理工大学）；Lingnan University（岭南大学）
研究针对离散优化问题，提出MEGO这一通用神经优化器，它由无需领域知识训练的专家混合模型构成，通过路由策略解决新问题。在多类问题上展现强大泛化能力，优于现有优化器，还提供了量化问题相似性及分类的新方法。
2026-07-09 cs.NE
Tournament of Prompts: Evolving LLM Instructions Through Structured Debates and Elo Ratings
Amazon（亚马逊）
本文提出 DEEVO 框架，利用结构化辩论反馈、智能交叉变异与 Elo 选择自动演化提示词，在无真实标签情况下于开放式和封闭式任务上超过手动及现有优化方法。
2025-07-22 cs.AI cs.NE
Cooperative coevolutionary Modified Differential Evolution with Distance-based Selection for Large-Scale Optimization Problems in noisy environments through an automatic Random Grouping
许多优化问题都受到噪声的影响，而基于非线性检验的分解方法（如微分插值法）在乘性噪声环境中完全不能检测变量之间的相互作用，从而难以对噪声环境中的大规模优化问题（LSOP）进行分解。在本文中，我们提出了一个自动随机搜索（aRG），它不需要任何显式的超参数指定的用户。仿真实验和数学分析表明，aRG能够在不需要适应度景观知识的情况下检测变量之间的相互作用，并且aRG分解出的子问题规模较小，易于进化算法进行优化。基于协同进化（CC）框架，提出了一种改进的基于距离选择的差分进化算法（MDE-DS），以提高算法在噪声环境中的搜索能力.与经典DE相比，MDE-DS的参数自适应性、多样性与集约化的平衡性以及基于距离的概率选择性，赋予了它更强的探索和开发能力。为了评估我们的建议的性能，我们设计了$500$ -D和$1000$ -D问题在噪声环境中的各种可分性的基础上的CEC 2013 LSGO套件。数值实验表明，我们的建议有广阔的前景，解决LSOP噪声环境中，可以很容易地扩展到高维问题。
2022-09-06 cs.NE
Particle Swarm Optimization: Fundamental Study and its Application to Optimization and to Jetty Scheduling Problems
进化算法相对于传统方法的优势已经在文献中进行了大量的讨论。虽然粒子群优化算法具有这些优点，但它们优于进化算法，因为它们需要更低的计算成本和更容易的实现，不涉及算子设计和很少的系数需要调整。然而，即使这些系数的设置的边际变化也会极大地影响群的动态。由于本文不打算研究他们的调整，通用的设置是从以前的研究，几乎相同的算法用于优化各种显着不同的问题。因此，在审查的范式，该算法进行了测试的一组基准函数和工程问题，从文献中。后来，补充行的代码被纳入适应组合优化的方法，因为它发生在调度问题，并解决了一个真实的情况下，使用相同的优化器与相同的设置。其目的是显示该方法的灵活性和鲁棒性，可以处理各种各样的问题。
2021-01-25 cs.NE math.OC
The Firefighter Algorithm: A Hybrid Metaheuristic for Optimization Problems
本文提出了受消防员协作策略启发的混合元启发式算法 FFO，并在 24 个基准函数上与 13 种常用算法对比，证明其在适应度、执行时间和搜索空间覆盖上具有优越或可比的性能。
2024-06-01 cs.NE stat.AP
