Contravening Esotery: Cryptanalysis of Knapsack Cipher using Genetic Algorithms
背包密码的密码分析是一个令人着迷的问题，几十年来一直困扰着计算界。然而，在大多数情况下，要么所提出的算法的时间复杂度是巨大的，或已采取用于验证的样本数量不足。提出了一种基于遗传算法的背包密码分析方法。实验证明了该方法的有效性。结果表明，该技术优于现有技术。为了找出现有技术中的差距，进行了广泛的审查。该工作为计算智能技术在密码分析领域的应用铺平了道路。
2016-06-20 cs.CR cs.NE
Optimizing Software Effort Estimation Models Using Firefly Algorithm
The University of Jordan（约旦大学）
软件开发工作量估算是软件开发生存周期以及项目成本、时间和质量管理的一项基本任务。因此，准确的评估是项目成功和降低风险的重要因素。近年来，软件工作量估算受到了研究人员的广泛关注，成为软件行业面临的一个挑战。在过去的二十年里，许多研究人员和从业者提出了基于统计和机器学习的软件工作量估计模型。在这项工作中，萤火虫算法被提出作为一种元启发式优化方法优化三个基于COCOMO模型的参数。这些模型包括基本COCOMO模型和文献中提出的作为基本COCOMO模型的扩展的另外两个模型。开发的估计模型进行评估，使用不同的评价指标。实验结果表明，萤火虫算法比遗传算法、粒子群算法等元启发式优化算法具有更高的精度和更小的误差。
2019-01-08 cs.AI cs.LG cs.NE
Evolving Digital Circuits for the Knapsack Problem
Babeş-Bolyai University（巴比什-波雅依大学）；David Prodan College（大卫·普罗丹学院）
多表达式编程（MEP）是一种使用线性染色体进行解编码的遗传编程变体。MEP的一个独特的功能是它能够在单个染色体中编码问题的多个解决方案。在本文中，我们使用多表达式编程的一个著名的NP完全问题：背包（子集和）问题的数字电路的发展。数值实验表明，多表达式编程表现良好的考虑测试问题。
2021-08-21 cs.AI cs.NE
An upper bound of the mutation probability in the genetic algorithm for general 0-1 knapsack problem
针对遗传算法中变异概率缺乏理论指导的问题，提出基于NP≠P假设的约简方法和改进变异算子，给出一般0-1背包问题变异概率上界，并证明新算子单次迭代命中最优解的概率优于传统算子。
2024-03-17 cs.CC cs.GT cs.NE
An Improved Discrete Bat Algorithm for Symmetric and Asymmetric Traveling Salesman Problems
Deusto Institute of Technology (DeustoTech)（德乌斯托技术学院（DeustoTech））；University of Deusto（德乌斯托大学）
蝙蝠算法是2010年提出的一种基于微蝙蝠回声定位或生物声纳特性的群体元启发式算法。自其第一次实现以来，蝙蝠算法已被用于广泛的领域。在本文中，我们提出了一个离散版本的蝙蝠算法来解决著名的对称和非对称旅行商问题。此外，我们提出了一个改进的基本结构的经典蝙蝠算法。为了证明我们的建议是一个很有前途的近似方法，我们比较了它的性能在37个实例中得到的结果由五种不同的技术：进化模拟退火，遗传算法，基于岛的分布式遗传算法，离散萤火虫算法和帝国主义的竞争算法。为了获得公平和严格的比较，我们进行了三个不同的统计测试沿纸：学生的$t$ -测试，霍尔姆的测试，和弗里德曼测试。我们还比较了我们的建议所示的进化模拟退火，和离散萤火虫算法的收敛行为。在这项研究中进行的实验表明，提出的改进蝙蝠算法优于所有其他替代品在大多数情况下显着。
2016-04-14 cs.AI cs.NE math.OC
On Application of the Local Search and the Genetic Algorithms Techniques to Some Combinatorial Optimization Problems
本文提出了用局部搜索和遗传算法技术求解几个组合优化问题的方法。最初，这种方法的目的是克服一些困难，抑制上述技术的应用问题的问卷理论。但当算法被开发出来时，很明显，它们也可以成功地应用于最小集合覆盖，0-1背包，并可能应用于其他组合优化问题。
2010-04-29 cs.NE math.OC
Cheating for Problem Solving: A Genetic Algorithm with Social Interactions
Complutense University of Madrid（马德里康普顿斯大学）；University of Nottingham（诺丁汉大学）
我们提出了一个标准的遗传算法，结合人口中的个人之间的社会互动的变化。我们的目标是了解社会系统的进化作用及其作为进化算法中的非遗传新步骤的可能应用。在生物种群中，即动物，甚至人类和微生物，社会互动往往会影响个体的健康。可以想象的是，通过社会互动的适应度扰动是一种进化策略，以避免陷入局部最优，从而避免人口的快速收敛。我们根据博弈论对社会互动进行建模。因此，种群由合作者和背叛者组成，他们的相互作用根据众所周知的博弈模型（囚徒困境，小鸡博弈等）产生收益。我们的背包问题的结果表明，对于一些游戏模型，一个显着的性能改善相比，标准的遗传算法。
2010-01-12 cs.AI cs.GT cs.NE
A synthetic biology approach for the design of genetic algorithms with bacterial agents
细菌一直是进化算法设计的灵感来源。20世纪初，合成生物学诞生了，这门学科的目标是设计自然界中不存在的生物系统，例如可编程的合成细菌。在本文中，我们介绍了作为一种新颖的进化算法的设计，其中所有的步骤进行合成细菌。为此，我们设计了一个遗传算法，我们称之为BAGA，说明它的效用解决简单的优化问题，如函数优化，0/1背包问题，哈密尔顿路径问题。所获得的结果打开了设想进化算法的可能性，其灵感来自合成生物学的原理、机制和遗传电路。总之，我们可以得出结论，合成生物学是一个灵感的来源，无论是进化算法的设计或其一些步骤，在我们的模拟实验中获得的结果所示。
2021-01-19 cs.MA cs.NE
A Non-Dominated Sorting Based Customized Random-Key Genetic Algorithm for the Bi-Objective Traveling Thief Problem
在本文中，我们提出了一种方法来解决一个双目标变量的研究旅行小偷问题（TTP）。TTP是一个多分量问题，它结合了两个经典的组合问题：旅行商问题（TSP）和背包问题（KP）。我们解决的BI-TTP，TTP的双目标版本，其目标是最大限度地减少总的旅行时间，并最大限度地提高所收集的物品的利润。我们提出的方法是基于一个偏置随机密钥遗传算法与定制解决问题的具体特点。我们将领域知识，通过在初始人口中的每个子问题的接近最优的解决方案的组合，并使用自定义的修复算子，以避免不可行的解决方案的评估。该问题的双目标方面是通过一个精英人口的基础上提取的非支配排名和拥挤距离。此外，我们提供了一个全面的研究，显示每个参数对性能的影响。最后，我们讨论了在EMO-2019和GECCO-2019会议上的BI-TTP竞赛结果，我们的方法分别获得了第一名和第二名，从而证明了它能够始终如一地找到高质量的解决方案。
2020-07-28 cs.NE
Optimization meets Big Data: A survey
本文回顾了大数据优化的最新进展，提供了这一新兴领域的最新进展。本文的主要重点是在大数据分析环境中应用的优化技术。回顾和讨论了非线性规划、坐标下降法、交替方向乘子法、模拟优化和元算法，如进化和遗传算法、粒子群优化、差分进化、烟花、蝙蝠、萤火虫和布谷鸟搜索算法的实现。讨论了大数据优化与信息工作流风格、软件架构和软件框架等软件工程主题之间的关系。重点介绍了在大数据优化环境中使用的平台的比较分析，以提供最先进的可能架构和拓扑。
2021-02-03 cs.DB cs.NE cs.SE
A Denoising Autoencoder that Guides Stochastic Search
Queen Mary, University of London（伦敦大学玛丽女王学院）
描述了一种自适应学习非线性突变分布的算法。它的工作原理是在遗传算法的每一代在线训练一个去噪自动编码器（DA），以重建迄今为止最佳基因型的缓慢衰减的记忆。压缩的隐藏层迫使自动编码器学习训练集中的隐藏特征，这些特征可用于加速对具有类似结构的新问题的搜索。它的输出神经元定义了一个概率分布，我们从中采样以产生后代解决方案。该算法优于一个典型的遗传算法在几个组合优化问题，如多维0/1背包问题，MAXSAT，HIFF，和参数优化问题，如Rastrigin和Rosenbrock函数。
2014-04-06 cs.LG cs.NE
Dynamic Island Model based on Spectral Clustering in Genetic Algorithm
在基于种群的优化方法中，如何保持相对较高的多样性是避免早熟收敛的重要因素。孤岛模型因其灵活性和高效性而被广泛认为是实现这一目标的主要方法。该模型在不同的岛屿上维护一组子种群，并允许子种群通过预定义的迁移策略相互交互。然而，目前的孤岛模式存在一些缺陷。一种是经过一定数量的世代之后，不同的岛屿可能会保留非常相似的、趋同的亚种群，从而失去多样性并降低效率。另一个缺点是，确定要维护的岛屿数量也非常具有挑战性。同时初始化多个子种群增加了岛模型的随机性。针对这些问题，本文提出了一种动态岛屿模型~（DIM-SP），该模型可以强制每个岛屿维持不同的子种群，动态控制岛屿的数量，从一个子种群开始。该模型在车间调度问题、旅行推销员问题和二次多背包问题等三个基线优化问题上的性能优于其他三种最先进的模型。
2018-01-05 cs.NE
A New Metaheuristic Bat-Inspired Algorithm
元启发式算法如粒子群优化算法、萤火虫算法、和声搜索算法等正成为解决许多复杂最优化问题的有力工具。在本文中，我们提出了一种新的元启发式方法，蝙蝠算法，蝙蝠的回声定位行为的基础上。我们还打算结合现有算法的优点到新的蝙蝠算法。经过详细的制定和解释其实施，我们将比较所提出的算法与其他现有的算法，包括遗传算法和粒子群优化。仿真结果表明，该算法明显优于其他算法，并讨论了进一步的研究。
2010-04-23 cs.NE math.OC physics.bio-ph
Leveraging Symbolic Regression for Heuristic Design in the Traveling Thief Problem
本文利用符号回归学习旅行窃贼问题中近最优打包计划的特征，并据此设计高效的元启发式遗传算法及初始化方案，经比较验证了其有效性。
2024-04-19 cs.NE
A natural-inspired optimization machine based on the annual migration of salmons in nature
生物灵感是人工模拟科学的一个分支，在自动模式识别、系统故障检测和应用优化等工程领域有着广泛的应用。本文提出了一种新的元启发式优化算法，即模拟大鲑鱼流（TGSR）。所得到的结果意味着在复杂的非凸，多维和多模态问题的优化执行方法的可接受的性能。为了证明TGSR在鲁棒性和质量方面的优越性，它还与大多数著名的优化技术，如模拟退火（SA），并行迁移遗传算法（PMGA），差分进化算法（DEA），粒子群优化（PSO），蜜蜂算法（BA），人工蜂群（ABC），萤火虫算法（FA）和布谷鸟搜索（CS）进行了比较。所得到的结果证实了所提出的方法在不同的基准优化问题的鲁棒性和质量的可接受的性能，也证明了作者的要求。
2013-12-14 cs.NE
LAB: A Leader-Advocate-Believer Based Optimization Algorithm
本文介绍了一种新的社会启发式元启发式技术，称为基于领导者-倡导者-信徒的优化算法（LAB）的工程和全局优化问题。该算法的灵感来自于群体中个体所表现出的基于人工智能的竞争行为，同时提高自己并建立角色（领导者，倡导者，信徒）。LAB性能的计算时间和功能评估基准使用其他元启发式算法。除了基准问题，LAB算法被应用于解决具有挑战性的工程问题，包括磨料水射流加工，电火花加工，微加工工艺，以及在最小量润滑环境下车削钛合金的工艺参数优化。其结果优于萤火虫算法、协同智能算法、遗传算法、模拟退火算法、粒子群优化算法和多队列智能算法。这项研究的结果表明，LAB在函数求值和计算时间方面优于其他算法。LAB算法的突出特点，随着其局限性进行了讨论。
2022-04-23 cs.NE
Comparing the Digital Annealer with Classical Evolutionary Algorithm
Fujitsu Research of Europe Ltd.（富士通欧洲研究有限公司）
在最近几年，已经有越来越多的研究兴趣，利用特定应用的硬件来解决优化问题。使用专用硬件的求解器的例子是IBM的Quantum System One和D-wave的Quantum Annealer（QA）和Fujitsu的Digital Annealer（DA）。这些求解器的开发是为了比在通用机器上实现的传统元算法更快地优化问题。以前的研究表明，这些求解器可以比精确求解器（如GUROBI和CPLEX）更快地优化许多问题。这样的结论还没有作出比较时，硬件求解器与经典的进化算法。传统的进化算法，如遗传算法（GA），和DA（或其他类似的求解器）之间进行公平的比较是具有挑战性的，因为后者受益于使用专用硬件，而进化算法往往是在通用机器上实现。此外，量子或量子启发的求解器仅限于以特定格式解决问题。二次无约束二进制优化（QUBO）。然而，许多优化问题是受约束的，并且具有非二进制的自然表示。将这样的问题转换为QUBO可能导致更多的问题难度和/或更大的搜索空间。在本文中解决的问题是量子或量子启发的求解器是否可以优化QUBO变换的组合优化问题的速度比经典的进化算法应用于相同的问题，在其自然表示。我们发现，DA往往提出更好的平均目标函数值比GA旅行推销员，二次分配和多维背包问题的实例。
2022-11-10 cs.AI cs.NE
Modelling and optimization of nanovector synthesis for applications in drug delivery systems
Tecnologico de Monterrey（蒙特雷科技大学）；Hospital Zambrano-Hellion（赞布拉诺-赫利翁医院）
基于纳米结构物质如纳米颗粒（NPs）的纳米载体（NVs）已被证明是优异的药物递送系统。然而，由于各种各样的潜在的纳米粒子，包括纳米粒子材料及其功能化，除了过多的分子，可以运输，这个领域提出了一个巨大的挑战，在资源方面找到最佳的物理化学性质，如粒径和载药量，其中大部分的努力依赖于试错实验。在这方面，人工智能（AI）和元启发式算法分别提供了最先进的建模和优化的效率。这篇评论的重点是，通过系统的搜索，使用人工智能和超启发式算法的纳米粒子合成药物输送系统。主要调查结果如下：神经网络比线性回归算法和响应面方法更好地建模NV属性，比较AI或元启发式算法的研究数量非常有限，并且没有关于样本量计算适当性的信息。基于这些发现，多层感知器人工神经网络和自适应神经模糊推理系统的建模性能进行了测试与NV数据集，发现后者的更好的算法。对于元启发式算法，分别用布谷鸟搜索、萤火虫算法、遗传算法和共生体搜索对基准函数进行优化，发现布谷鸟搜索和共生体搜索的性能最好。最后，方法来估计适当的样本量的AI算法进行了讨论。
2021-11-10 cs.LG cs.NE
Green Heron Swarm Optimization Algorithm - State-of-the-Art of a New Nature Inspired Discrete Meta-Heuristics
现实世界中的许多问题都是NP-Hard问题，其中很大一部分可以表示为基于图的问题。这使得图论成为一个非常重要和流行的研究领域。在这项工作中，一种新的生物启发的元算法，称为绿鹭群优化（GHOSA）算法被引入，其灵感来自鸟的捕鱼技能。该算法基本上适合于组合优化等基于图的问题。然而，引入了一种称为基于位置的邻居影响变分（LBNIV）的自适应数学变分算子，使其适合于高维连续域问题。在传统的基准方程组上进行了运算，并与遗传算法和粒子群算法进行了比较。该算法在旅行商问题、二次分配问题、背包问题数据集上也得到了应用。并讨论了该算法在资源约束最短路径和路网优化问题上的具体实现过程。结果清楚地表明GHOSA算法是一种有效的算法，特别是考虑到离散优化的算法数量非常低，并且在这个社交网络时代和大多数基于图的问题场景中需要更探索性的算法。
2013-10-14 cs.NE
Biomimicry in Radiation Therapy: Optimizing Patient Scheduling for Improved Treatment Outcomes
本研究将遗传算法、萤火虫优化和狼群优化三种仿生算法应用于放射治疗患者在线随机调度，通过比较收敛时间、运行时间和目标值，发现狼群优化性能最优，可减少人工干预并改善治疗结果。
2024-01-16 cs.NE math.OC
