Automatic Detection of Trends in Dynamical Text: An Evolutionary Approach
本文提出了一种进化算法来模拟文档流的到达日期，文档流是任何带有时间戳的文档集合，例如新闻广播，电子邮件，IRC对话，科学期刊档案和weblog帖子。该算法将频率（每个时间单位的文档到达数量）分配给时间间隔，以便产生与数据的最佳拟合。优化是在准确拟合数据和避免太多频率变化之间的权衡;这样，分析就能够找到忽略噪声的拟合。经典的动态规划算法受到内存和效率要求的限制，这在处理长流时可能是一个问题。这表明，探索替代搜索方法，允许一定程度的不确定性，以实现易处理性。实验表明，所设计的进化算法能够在较短的时间内达到与经典动态规划算法相同的解质量。我们还探索了不同的概率模型来优化数据流的拟合，并应用这些算法来推断新的到达是否增加或减少文档流所涉及的主题中的{ \em兴趣}。
2006-01-12 cs.IR cs.NE
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
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
A Domain-agnostic, Noise-resistant, Hardware-efficient Evolutionary Variational Quantum Eigensolver
变分量子算法由于其在解决科学和商业问题方面的多功能性而在许多领域中显示出了希望。然而，用于哈密顿模拟的领先算法，例如变分量子本征求解器（VQE），使用固定的预构造的ansatzes，限制了它们的一般适用性和准确性。因此，变分形式-实现ansatzes的量子线路-要么是精心制作的，要么是通过编码特定领域的知识。在本文中，我们提出了一个进化的变分量子本征求解器（EVQE），一种新的变分算法，使用进化规划技术，以最小化的期望值，一个给定的哈密尔顿动态生成和优化的一个anesthetic。该算法同样适用于所有领域的优化问题，获得准确的能量评估与硬件高效ansatzes。在分子模拟中，由EVQE产生的变分形式是高达$18.6\times$更浅，并使用高达$12\times$更少的CX门比那些由VQE与一个单一的耦合集群anonymous获得。EVQE表现出显著的抗噪声特性，在噪声模拟中获得的结果至少比使用任何测试的抗噪声配置的VQE的误差小$3.6\times$。我们成功地在一个真实的5-qubit IBMQ量子计算机上评估了EVQE。我们通过模拟和真实量子硬件获得的实验结果表明，EVQE在当前和不久的将来的量子计算机上用于通用优化的有效性。
2020-01-23 cs.NE quant-ph
Analysis of Evolutionary Algorithms in Dynamic and Stochastic Environments
许多现实世界的优化问题发生在动态变化或涉及随机组件的环境中。进化算法和其他生物启发式算法已被广泛应用于动态和随机问题。本次调查给出了一个概述，这些问题的运行时分析领域的主要理论发展。我们回顾了最近的进化算法和蚁群优化问题的目标函数或约束随时间变化的理论研究。此外，我们考虑了各种噪声模型下的随机问题，并指出了未来的研究方向。
2018-06-22 cs.NE
Self-adaptation in non-Elitist Evolutionary Algorithms on Discrete Problems with Unknown Structure
有效利用进化算法的一个关键挑战是为其参数选择适当的设置。然而，适当的参数设置通常取决于优化问题的结构，这通常是未知的用户。非确定性参数控制机制使用从进化过程获得的信息来调整参数。自适应-参数设置编码在个体的染色体中，并通过变异和交叉进化-是进化策略中流行的参数控制机制。然而，几乎没有理论证据表明自适应是有效的，自适应在很大程度上被离散演化计算社区所忽视。在这里，我们通过理论运行时分析表明，非精英，离散进化算法，自适应其突变率不仅优于EA使用静态突变率\leadingones，但也提高了渐近EA使用国家的最先进的控制机制。该问题的结构取决于参数$k$，其对于算法是\emph{a priori}未知的，并且需要其来适当地设置固定的突变率。自适应EA达到相同的渐近运行时间，如果这个参数是已知的算法事先，这是一个渐进的加速比，这个问题相比，所有其他EA以前研究。一项关于变异率如何演变的实验研究表明，它们对各种各样的问题结构都有足够的反应。这些结果表明，自适应应采用更广泛的离散，非精英进化算法的参数控制机制。
2020-04-01 cs.NE q-bio.PE
A Multi-objective Evolutionary Algorithm for EEG Inverse Problem
在本文中，我们提出了一个多目标的方法来解决脑电逆问题。该公式不需要涉及经验程序的未知参数。由于问题的组合性，该方法引入了进化策略，得到了一种基于解剖约束的多目标进化算法（MOEAAR）。将该方法与3种经典的正则化方法LASSO、Ridge-L和ENET-L进行了对比测试。在实验阶段，选择回归模型以获得稀疏和分布的解决方案。分析涉及不同信噪比（SNR）的模拟数据。质量控制指标为定位误差、空间分辨率和可见度。MOEAAR在最大激活的重建和定位方面比经典方法具有更好的稳定性。利用范数L0对稀疏解进行进化估计，得到了相关的结果。
2021-12-27 cs.NE
Coefficient Mutation in the Gene-pool Optimal Mixing Evolutionary Algorithm for Symbolic Regression
目前，遗传编程版本的基因池最优混合进化算法（GP-GOMEA）是最好的性能之一的符号回归（SR）算法。GP-GOMEA的一个关键优势是它执行变异的方式，它动态地适应种群中模式的出现。然而，GP-GOMEA缺乏优化系数的机制。在本文中，我们研究如何相当简单的方法优化系数可以集成到GP-GOMEA。特别地，我们考虑了高斯系数突变的两个变体。我们在23个基准问题上使用不同的设置进行了实验，并使用机器学习来估计系数突变的哪些方面最重要。我们发现，最重要的方面是，系数突变尝试的数量需要与GP-GOMEA执行的混合操作的数量相称。我们应用GP-GOMEA与最佳性能的系数突变方法的数据集的SRBench，一个大型SR基准，其中地面真理的基础方程是已知的。我们发现，系数突变可以帮助重新发现潜在的方程的大量，但只有当没有噪音被添加到目标变量。在噪声存在的情况下，GP-GOMEA与系数突变发现替代，但同样准确的方程。
2022-04-26 cs.NE
Runtime Analyses of Multi-Objective Evolutionary Algorithms in the Presence of Noise
École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）；Laboratoire d’Informatique (LIX)（计算机实验室）；CNRS（法国国家科学研究中心）
本研究首次开展噪声下多目标进化算法的数学运行时间分析，证明SEMO在单次评估目标值时对逐位噪声有强鲁棒性，而每次迭代重评估会导致超多项式运行时间，揭示了其多样性机制的抗噪作用。
2023-05-30 cs.AI cs.DS cs.NE
On the Robustness of Median Sampling in Noisy Evolutionary Optimization
进化算法是一种受自然启发的元进化算法，在各种实际优化问题中有着广泛的应用。在这些问题中，客观的评价往往是不准确的，因为噪声在现实世界中几乎是不可避免的，如何减弱噪声带来的负面影响是一个至关重要的问题。抽样是一种流行的策略，它对目标进行多次评估，并将这些评估结果的平均值用作目标值的估计。在这项工作中，我们引入了一种新的采样方法，中位数采样，到EA，并说明其性质和实用性理论上解决OneMax，最大化的1的数量在一个位串的问题。中位数抽样采用评价结果的中位数作为估计数，而不是平均数。通过对OneMax在常用的1比特噪声下的严格理论分析，我们表明中值采样以指数方式降低了预期的运行时间。其次，通过两个特殊的噪声模型，证明了当噪声适应度的2分位数随真实适应度的增加而增加时，中值抽样优于均值抽样;反之，中值抽样可能失效，均值抽样优于均值抽样。研究结果对实际应用中如何正确使用中值抽样有一定的指导意义。
2022-11-28 cs.CC cs.NE stat.ML
Enhancing Generalization in Evolutionary Feature Construction for Symbolic Regression through Vicinal Jensen Gap Minimization
Centre for Data Science and Artificial Intelligence & School of Engineering and Computer Science, Victoria University of Wellington（数据科学与人工智能中心及工程与计算机科学学院，维多利亚大学）
通过近邻Jensen间隙最小化增强进化特征构造在符号回归中提升泛化能力，有效控制过拟合并提升算法性能。
2026-02-02 cs.LG cs.NE
Already Moderate Population Sizes Provably Yield Strong Robustness to Noise
The University of Adelaide（阿德莱德大学）；CNRS（法国国家科学研究中心）；École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）；HSE University（高等经济大学）；Skoltech（斯科尔科沃科学技术研究院）
本文通过新颖的有偏均匀交叉证明思路，首次证明中等对数规模种群即可使$(1+λ)$和$(1,λ)$进化算法在恒定噪声下保持OneMax基准的渐近最优运行时间，显著强于此前需超线性种群的结果。
2024-05-13 cs.AI cs.NE
Assessing Evolutionary Terrain Generation Methods for Curriculum Reinforcement Learning
CSIRO（联邦科学与工业研究组织）；Monash University（莫纳什大学）；Queensland University of Technology（昆士兰科技大学）；University of Queensland（昆士兰大学）
通过课程学习，可以通过逐步超越"垫脚石"目标，掌握复杂的任务，最终达到理想的行为。典型的实现通过逐渐复杂化的地形网格通过参数化的噪声函数生成的具有挑战性的环境中学习运动策略。迄今为止，研究人员主要从有限范围的噪声函数生成地形，并且在文献中未充分说明生成器对学习过程的影响。我们比较流行的基于噪声的地形生成器的两个间接编码，CPPN和GAN。为了允许直接和间接表示之间的直接比较，我们评估了一系列表示不可知的MAP精英特征描述符的影响，这些特征描述符直接从生成的地形网格计算指标。接下来，性能和覆盖率进行评估时，训练人形机器人在物理模拟器中使用PPO算法。结果描述的发电机，告知他们在课程学习的使用之间的主要差异，并提出了一系列有用的功能描述符，由社区吸收。
2022-03-29 cs.NE cs.RO
Direct From Darwin: Deriving Advanced Optimizers From Evolutionary First Principles
Yale University（耶鲁大学）
本文基于进化基本原理推导出高级梯度优化算法，通过达尔文 lineage 模拟证明 Fisher 和 Wright 的进化观点实质等价，并展示多种优化算法通过引入 DLS 噪声后可成为达尔文进化模拟。
2026-05-10 cs.LG cs.NE q-bio.PE
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
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
Heuristically Adaptive Diffusion-Model Evolutionary Strategy
Allen Discovery Center at Tufts University（塔夫茨大学艾伦发现中心）；Institute for Theoretical Physics, TU Wien（维也纳技术大学理论物理研究所）；Wyss Institute for Biologically Inspired Engineering at Harvard University（哈佛大学威斯生物启发工程研究所）
本文提出启发式自适应扩散模型进化策略，将扩散模型作为进化算法中的生成模型，通过迭代精炼与无分类器引导的条件采样，实现高适应度参数的高效收敛与精确搜索控制。
2024-11-20 cs.AI cs.LG cs.NE
Larger Offspring Populations Help the $(1 + (λ, λ))$ Genetic Algorithm to Overcome the Noise
HSE University（高等经济大学）；Skoltech（斯科尔科沃科技学院）；The University of Adelaide（阿德莱德大学）；Laboratoire d’Informatique (LIX)（信息学实验室（LIX））；CNRS（法国国家科学研究中心）；École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）
研究分析了 $(1+(λ,λ))$ 遗传算法在噪声环境下的鲁棒性，发现其不仅未因中间选择和交叉修复机制而降低鲁棒性，反而在多数基准问题上比 $(1+λ)$ 进化算法更抗噪。
2023-05-08 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
Rapidly Adaptable Legged Robots via Evolutionary Meta-Learning
Robotics at Google（谷歌机器人团队）；Columbia University（哥伦比亚大学）
学习适应性强的策略对于机器人在我们复杂而快速变化的世界中自主运行至关重要。在这项工作中，我们提出了一种新的元学习方法，使机器人能够快速适应动态变化。与依赖于二阶梯度估计的基于梯度的元学习算法相比，我们引入了一个更具噪声容忍度的批量爬山自适应算子，并将其与基于进化策略的元学习相结合。我们的方法显着提高了适应高噪声环境中的动态变化，这在机器人应用中很常见。我们验证了我们的方法，四足机器人，学会走路，同时受到动态变化。我们观察到，我们的方法明显优于以前的基于梯度的方法，使机器人能够根据不到3分钟的真实数据调整其策略。
2020-07-30 cs.LG cs.NE cs.RO
Evolutionary optimization of an experimental apparatus
近几十年来，冷原子实验变得越来越复杂。虽然计算机控制大多数参数，但优化主要是手动完成的。这对于具有未知相关性的高维参数空间是一项耗时的任务。在这里，我们使用基于差分进化的遗传算法来自动化这个过程。我们证明，该算法优化了21个相关参数，它对局部最大值和实验噪声是鲁棒的。该算法灵活，易于实现。因此，所提出的方案可以应用于广泛的实验优化任务。
2013-06-04 cond-mat.quant-gas cs.NE quant-ph
A Secure Federated Data-Driven Evolutionary Multi-objective Optimization Algorithm
Westlake University（西湖大学）；Bielefeld University（比勒费尔德大学）；Eötvös Loránd University（厄特沃什·罗兰大学）；E-Group ICT Software Zrt（E集团信息通信技术软件公司）
针对集中式数据驱动进化算法的隐私安全问题，提出一种安全的联邦数据驱动多目标优化算法，通过随机客户端查询和Diffie-Hellman噪声掩蔽保护原始数据与新解，在基准上以极小性能代价实现隐私保护。
2023-09-03 cs.AI cs.CR cs.NE
EmoDM: A Diffusion Model for Evolutionary Multi-objective Optimization
Guangdong University of Foreign Studies（广东外语外贸大学）；Westlake University（西湖大学）
针对进化算法求解高成本多目标优化问题时函数评估次数多的痛点，提出基于扩散模型的EmoDM，结合互熵注意力机制提升可扩展性，可高效生成非支配解且泛化性好。
2024-08-15 cs.AI cs.NE
Analysis of Noisy Evolutionary Optimization When Sampling Fails
在带噪声的进化优化算法中，采样是一种常用的噪声处理策略。通过抽样策略，解的适应度被独立地评估多次（称为\emph{sample size}），然后其真实适应度被这些评估的平均值近似。以往关于抽样的研究大多是经验性的，少数的理论研究主要是在足够大的样本量下证明抽样的有效性。在本文中，我们从理论上研究什么策略可以工作时，任何固定的样本量采样失败。通过构建一个家庭的人工噪声的例子，我们证明了采样总是无效的，而使用父母或后代人口可以帮助一些例子。我们还构建了一个人工噪声的例子来表明，当使用采样和人口都是有效的，定制的自适应采样（即，具有自适应样本大小的采样）策略可以工作。这些发现可能会在一定程度上增强我们对采样的理解，但需要在未来的工作中验证它们在自然情况下。
2022-11-28 cs.NE math.OC
Robust multi-agent coordination via evolutionary generation of auxiliary adversarial attackers
Nanjing University（南京大学）
针对多智能体协调中的策略扰动问题，提出ROMANCE方法，通过进化生成多样化强对抗攻击者训练策略，在SMAC实验中展现出优于基线的鲁棒性。
2023-05-10 cs.LG cs.MA cs.NE
Quantum Control Experiments as a Testbed for Evolutionary Multi-Objective Algorithms
实验多目标量子控制是在控制量子现象的广泛物理和化学应用领域中的一个新兴课题。这一领域提供了尖端的超快激光实验室应用，这对高维搜索提出了多个目标，噪声和可能的限制。在这项研究中，我们介绍了多观测量子控制（MOQC）的主题，并考虑特定的系统是帕累托优化的不确定性，无论是实验还是通过模拟系统。后者包括一个家庭的数学测试功能与MOQC实验，这是第一次介绍。我们调查的协方差矩阵自适应演化策略（MO-CMA-ES）的多目标版本的行为，并评估其性能的计算机模拟以及实验室闭环实验。总体而言，我们提出了一个全面的研究实验进化帕累托优化在高维连续域，得出一些实际的结论，适应度扰动对算法行为的影响，并提出了几个理论问题，在广泛的进化多目标背景下。
2011-12-22 cs.NE math-ph math.MP
Morephy-Net: An Evolutionary Multi-objective Optimization for Replica-Exchange-based Physics-informed Neural Operator Learning Networks
Morephy-Net通过进化多目标优化、复制交换随机梯度兰道克动态和贝叶斯不确定性量化，提升噪声环境下参数PDE的正向预测和反向识别性能。
2026-02-19 cs.LG cs.NE
