ParetoTracker：通过可视分析理解多目标进化算法中的种群动态

多目标进化组件对算法行为的影响

Multiobjective Evolutionary Component Effect on Algorithm behavior

本文提出一种新方法，通过搜索轨迹网络、种群多样性和任意时间超体积值，系统分析自动设计的MOEA/D各组件对算法行为的影响，揭示不同问题类型下组件贡献的差异。

神经进化方法用于物理感知符号回归

Neuro-Evolutionary Approach to Physics-Aware Symbolic Regression

提出一种结合进化搜索神经网络拓扑与梯度调参的神经进化符号回归方法，利用记忆策略和群体扰动避免过早收敛，在三个真实问题上优于其他基于NN的方法。

自然启发的降维算法的应用：实现高效的数据分析

Applications of Nature-Inspired Algorithms for Dimension Reduction: Enabling Efficient Data Analytics

在[1]中，我们已经探索了特征选择和进化算法的理论方面。在本章中，我们重点介绍用于增强数据分析过程的优化算法，即，我们建议探索自然启发算法在数据科学中的应用。特征选择优化是一种利用特征选择技术和进化算法过程来优化所选特征的混合方法。以前的作品迭代地解决这个问题，收敛到一个最佳的特征子集。特征选择优化是一种非特定领域的方法。数据科学家主要试图找到一种先进的方法来分析数据，具有高计算效率和低时间复杂度，从而导致有效的数据分析。因此，通过增加来自各种来源的生成/测量/感测的数据，数据的分析、操纵和说明呈指数增长。由于数据集规模庞大，维数灾难（Curse of Dimensionality，CoD）是数据科学中的NP难题之一。因此，一些努力已经集中在利用进化算法（EA）来解决大规模数据分析问题中的复杂问题。降维与EA一起，有助于解决CoD和解决复杂问题，在时间复杂度方面，有效地。在这一章中，我们首先提供了一个简短的概述，以前的研究，重点是解决CoD使用特征提取优化过程。然后，我们讨论了研究的实际例子，成功地解决了一些应用领域，如图像处理，情感分析，网络流量/异常分析，信用评分分析和其他基准功能/数据集分析。

基于进化算法的一般约束优化混合增广拉格朗日方法

Hybrid Augmented Lagrangian Method for General Constrained Optimization via Evolutionary Algorithms

研究一般约束优化问题，提出混合增广拉格朗日（HyAL）方法，结合增广拉格朗日框架与进化算法优势，解决迭代子问题。实验表明该方法在基准测试中表现出色，优于纯进化方法和先进数值算法，能有效处理高维约束问题。

用进化算法探索最大熵分布

Exploring Maximum Entropy Distributions with Evolutionary Algorithms

本文展示了如何在一组给定的约束条件下数值地演化最大熵概率分布，这是一个变分问题。进化算法可以获得一些众所周知的分析结果的近似值，但更灵活，可以找到一个封闭的公式不能很容易地陈述的分布。数值方法处理有限区间上的分布。我们表明，有两种方式进行的过程：直接优化的拉格朗日的约束问题，或通过优化的子集之间的熵的分布，满足的约束。增量进化策略很容易获得均匀的，指数，高斯，对数正态，拉普拉斯，以及其他分布，一旦约束问题用两种方法中的任何一种解决。混合（“嵌合体”）分布的解也可以找到。我们解释了为什么许多分布是对称和连续的，但有些不是。

基于进化方法的数据驱动物理方程发现

The data-driven physical-based equations discovery using evolutionary approach

现代机器学习方法允许人们以各种方式获得数据驱动的模型。然而，模型越复杂，解释起来就越困难。本文描述了从给定的观测数据中发现数学方程的算法。该算法将遗传编程与稀疏回归相结合。该算法允许获得不同形式的结果模型。作为一个例子，它可以用于管理分析方程发现以及偏微分方程（PDE）发现。其主要思想是收集一袋积木（它可以是简单的函数或它们的任意阶导数），然后从袋子中取出它们来创建组合，这些组合将代表最终方程的项。选择的术语传递到进化算法，该算法用于进化选择。将进化步骤与稀疏回归相结合，以仅选择重要项。因此，我们获得了一个简短且可解释的表达式，它描述了数据之外的物理过程。文中给出了该算法的两个应用实例：海洋气象过程的偏微分方程发现和声学过程的函数发现。

一种面向联合机会约束噪声优化的置信驱动进化算法

A Confidence-Driven Evolutionary Algorithm for Noisy Optimization with Joint Chance Constraints

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。

Exploring the effectiveness of surrogate-assisted evolutionary algorithms on the batch processing problem

Real-world optimisation problems typically have objective functions which cannot be expressed analytically. These optimisation problems are evaluated through expensive physical experiments or simulations. Cheap approximations of the objective function can reduce the computational requirements for solving these expensive optimisation problems. These cheap approximations may be machine learning or statistical models and are known as surrogate models. This paper introduces a simulation of a well-known batch processing problem in the literature. Evolutionary algorithms such as Genetic Algorithm (G…

连续优化问题进化算法的无限种群模型再探

A Revisit of Infinite Population Models for Evolutionary Algorithms on Continuous Optimization Problems

无限种群模型是研究进化算法种群动力学的重要工具。它们描述了种群分布在连续几代之间的变化。一般来说，无限种群模型是从马尔可夫链中推导出来的，它利用了种群中个体之间的对称性，并分析了种群规模趋于无穷大时的极限。本文研究了求解连续优化问题的进化算法无限种群模型的理论基础。首先，我们证明了在一个被广泛引用的研究中的收敛性证明实际上是有问题的和不完整的。我们进一步表明，模型假设的交换的个人不能产生的过渡方程。然后，为了分析无限种群模型，我们建立了一个分析框架的基础上收敛的随机元素的分布，取值于度量空间的无限序列。该框架简洁，数学严谨。它还提供了一个基础设施，研究收敛的堆叠运营商和迭代算法，以前的研究未能解决。最后，我们利用该框架证明了无限种群模型中变异算子和$k$元重组算子的收敛性。我们表明，这些运营商可以提供准确的预测真实的人口动态的人口规模趋于无穷大，只要初始人口是相同的，独立分布。

人类与人工智能共存的共进化理论：互惠、治理与复杂社会中的动态

A Co-Evolutionary Theory of Human-AI Coexistence: Mutualism, Governance, and Dynamics in Complex Societies

本文提出在治理下的人机共存互惠框架，通过共进化关系设计人类与AI的共存，强调互惠、可逆性、心理安全和社会合法性，通过动态系统模型分析共存条件与稳定性。

在进化算法中，大的种群规模可能是无益的

A Large Population Size Can Be Unhelpful in Evolutionary Algorithms

种群利用率是进化算法的重要特征之一。有许多研究分析了不同人口规模对EA绩效的影响。然而，除了少数情况外，大多数此类研究都是基于计算实验的。到目前为止，普遍的看法似乎是，一个大的人口将增加人口的多样性，从而帮助EA。事实上，当EA对于给定问题的表现不如预期时，增加种群大小一直是调优EA的常用策略。He和Yao（2002）从理论上证明了对于某些问题实例类，种群可以帮助将EA的运行时间从指数时间减少到多项式时间。本文分析了人口的作用，进一步在EA和严格表明，大人口可能并不总是有用的。本文讨论了大种群可能有害的条件。虽然理论分析是在一个多模态问题上使用特定类型的进化算法进行的，但它具有更广泛的含义。分析揭示了某些问题的特点，这可能是这里考虑的问题或其他问题，导致人口规模大的缺点。本文所提出的分析方法也可应用于其他问题的进化分析。

Evolutionary Variational Optimization of Generative Models

We combine two popular optimization approaches to derive learning algorithms for generative models: variational optimization and evolutionary algorithms. The combination is realized for generative models with discrete latents by using truncated posteriors as the family of variational distributions. The variational parameters of truncated posteriors are sets of latent states. By interpreting these states as genomes of individuals and by using the variational lower bound to define a fitness, we can apply evolutionary algorithms to realize the variational loop. The used variational distributions …

变异-选择平衡对进化算法收敛性的影响

On the Impact of Mutation-Selection Balance on the Runtime of Evolutionary Algorithms

变异和选择之间的相互作用在进化算法（EA）的行为中起着重要的作用。然而，这种相互作用仍然没有完全理解。本文提出了一个严格的运行时分析的非精英人口为基础的EA，使用线性排名选择机制。分析的重点是如何之间的平衡参数$η$，控制线性排名中的选择压力，和参数$χ$控制逐位变异率，影响算法的运行时间。结果指出，正确的选择压力和突变率之间的平衡是必不可少的多项式时间内找到最优解的情况。特别是，它表明，存在的健身功能，只能在多项式时间内解决，如果参数之间的比率$η$和$χ$是在一个狭窄的临界区间内，在这个比率的一个小的变化可以增加运行时间呈指数。此外，它是定量示出如何适当的参数选择取决于适应度函数的特性。除了原有的关于进化算法运行时间的结果外，本文还介绍了一个非常有用的分析工具，即，多类型分支过程，非精英人口为基础的EA的运行时分析。

基于Manta Ray优化与Levy飞行的进化极值学习机用于二元系统中晶格结构预测

Evolutionary Extreme Learning Machine of ab-initio Energy Landscapes for Crystal Structure Prediction using Manta Ray Optimization with Levy Flight

本文提出了一种改进的Manta Ray优化算法结合Levy飞行用于训练极值学习机，以预测二元系统中未弛豫和弛豫形成能化合物相对于基态晶格结构的纯组分相对能量。