An Unbounded Archive-based Transfer Strategy for Dynamic Multi-Objective Optimization with a Changing Number of Objectives
School of Artificial Intelligence, Shenzhen University（深圳大学人工智能学院）；Shenzhen ZTE Software Co., Ltd.（深圳市中兴软件有限公司）
针对目标数量变化的动态多目标优化，提出无界存档迁移策略UATS，通过重用历史非支配解提升环境变化后的恢复与适应性。
2026-09-24 cs.NE
MAP-Elites with Descriptor-Conditioned Gradients and Archive Distillation into a Single Policy
质量多样性算法，如MAP-Elites，是演化计算的一个分支，生成各种高性能的解决方案，已成功地应用于各种领域，特别是在进化机器人。然而，MAP-Elites基于源自遗传算法的随机突变执行发散搜索，因此仅限于低维解的进化种群。PGA-MAP-Elites通过集成受深度强化学习启发的基于梯度的变异算子克服了这一限制，该算子能够实现大型神经网络的进化。虽然在许多环境中表现出色，但PGA-MAP-Elites在几个任务上失败了，其中基于梯度的算子的收敛搜索没有将突变指向存档改进解决方案。在这项工作中，我们提出了两个贡献：（1）我们用改进整个描述符空间的归档的执行器条件评论器来增强策略梯度变化算子，（2）我们利用执行器-评论器训练来学习执行器条件策略，而不需要额外的成本，将档案的知识提炼成一个单一的通用策略，该策略可以执行档案中包含的整个行为范围。我们的算法，DCG-MAP-Elites提高了QD得分超过PGA-MAP-Elites平均82%，在一组具有挑战性的运动任务。
2023-03-07 cs.NE
Quality-Diversity Meta-Evolution: customising behaviour spaces to a meta-objective
University of Southampton（南安普顿大学）
本文提出QD-Meta框架，通过演化具有不同算法和表征特性的QD算法种群来优化用户定义的元目标，实证表明其在函数优化和机器人运动基准上优于CVT-MAP-Elites和AURORA，提供更好的平均性能和更快的环境适应能力。
2021-09-08 cs.AI cs.NE cs.RO
Monte Carlo Elites: Quality-Diversity Selection as a Multi-Armed Bandit Problem
进化搜索的一个核心挑战是需要在搜索空间的探索和高度拟合区域的利用之间取得平衡。质量多样性搜索明确地在人口的多样性和质量之间走钢丝。本文扩展了一个流行的质量多样性搜索算法，MAP-Elites，通过处理选择父母作为一个多臂强盗问题。使用置信度上限的变化来从搜索空间的未充分探索但潜在有益的区域中选择父区域，可以加速新区域的发现，并提高其存档的总体质量。这篇论文测试了一个间接的亲本选择质量的衡量标准：亲本后代的存活率。结果表明，在探索和开发之间保持平衡，可以在三个不同的测试平台中获得最多样化和高质量的解决方案。
2021-04-18 cs.NE
Generating Diverse Challenging Terrains for Legged Robots Using Quality-Diversity Algorithm
Seoul National University（首尔大学）；AIIS, Seoul National University（首尔大学人工智能研究所）；Advanced Institute of Convergence Technology（融合技术高等研究院）
本文提出一种质量-多样性框架，为腿式机器人生成多样且具有挑战性的地形，以揭示控制器弱点，并可用于改进强化学习控制器。
2025-06-02 cs.NE cs.RO
Don't Bet on Luck Alone: Enhancing Behavioral Reproducibility of Quality-Diversity Solutions in Uncertain Domains
Imperial College London（伦敦帝国学院）
针对质量-多样性算法在噪声环境中易产生退化解的问题，提出即插即用的ARIA优化模块，通过自然进化策略变异解以优化生态位归属概率和适应度，使存档质量和描述符空间覆盖率提升至少50%。
2023-04-07 cs.AI cs.LG cs.NE
Large Language Models as In-context AI Generators for Quality-Diversity
Imperial College London（帝国理工学院）
提出In-context QD框架，利用大型语言模型的上下文生成能力，通过少样本和多样本提示结合QD档案中的质量多样示例，在多个QD领域和参数规模下显著提升解决方案组合的创新性和搜索效率。
2024-06-05 cs.AI cs.LG cs.NE
Efficient Quality-Diversity Optimization through Diverse Quality Species
University of Memphis（孟菲斯大学）
本文提出DQS算法，通过将解分解为独立演化物种并结合无监督技能发现与基于梯度的信息论变异，在不依赖行为档案的情况下实现高效的质量-多样性优化，并在模拟机器人环境中验证了其样本效率和性能优势。
2023-04-14 cs.AI cs.LG cs.NE
On the use of feature-maps and parameter control for improved quality-diversity meta-evolution
University of Southampton（南安普顿大学）
提出改进的质量-多样性元进化系统，通过重构数据库、泛化特征图及动态参数控制，显著提升元适应度并增强机械臂抗损坏恢复能力。
2021-05-21 cs.AI cs.NE cs.RO
An Efficient Multi-Indicator and Many-Objective Optimization Algorithm based on Two-Archive
由于传统的基于支配和分解的多目标优化算法难以解决多目标优化问题，基于指标的算法正在变得越来越重要。然而，以往的基于指标的多目标优化算法存在以下缺陷：1）环境选择过程耗时长; 2）通常需要附加参数。为此，提出了一种基于双档案的多指标多目标优化算法（SRA 3），该算法能够在环境选择中根据指标性能有效地选择优良个体，并采用自适应参数策略进行亲本选择，无需设置额外的参数。然后对算法进行归一化处理，并比较归一化前后的性能，发现归一化处理显著提高了算法的性能。我们还分析了归一化如何影响基于指标的算法，并观察到归一化的$I_{ε+}$指标更好地找到极端的解决方案，并可以减少由于其范围不同而导致的每个目标对指标的贡献程度不同的影响。然而，它也有极端解决方案的偏好，这导致解决方案集收敛到极端。最后，我们给出了一些规范化的建议。然后，在DTLZ和WFG问题上，我们对39个目标分别为5、10和15个的问题进行了实验，结果表明SRA 3在保持高效率的同时具有良好的收敛性和多样性。最后，我们进行了实验DTLZ和WFG问题与20和25个目标，发现本文提出的算法是更有竞争力的比其他算法的目标数量的增加。
2022-01-14 cs.NE
Discrete Gene Crossover Accelerates Solution Discovery in Quality-Diversity Algorithms
University of Edinburgh（爱丁堡大学）；Edinburgh Napier University（爱丁堡纳皮尔大学）
本文提出一种基于离散基因交叉的突变操作符，通过增强变异操作，加速质量多样性算法中解的发现，提升搜索性能和多样性。
2026-02-14 cs.NE
Genetic Programming with Behaviour-based Niching for Learning Guided Local Search in Vehicle Routing Problems
School of Engineering and Computer Science, Victoria University of Wellington（惠灵顿维多利亚大学工程与计算机科学学院）
针对GPGLS学习车辆路径问题引导局部搜索时仅靠适应度管理多样性不足的问题，提出基于行为小生境的BN-GPGLS，用算子级描述符表征程序并选档案父代，实验表明BN-Adaptive排名最优且能减小程序规模。
2026-09-22 cs.NE
Multi-Objective Covariance Matrix Adaptation MAP-Annealing
提出MO-CMA-MAE算法，将CMA-ES引入多目标质量多样性优化，通过优化每个帕累托集的超体积，在多个领域及游戏地图生成中显著提升性能。
2025-05-27 cs.NE
Discovering Quality-Diversity Algorithms via Meta-Black-Box Optimization
Imperial College London（帝国理工学院）；Sakana AI
本文提出利用元学习自动发现质量-多样性算法，通过注意力机制参数化竞争规则，所得算法在性能、泛化能力和多样性维持上均表现优异。
2025-02-04 cs.LG cs.NE
Quality-Diversity with Limited Resources
National Key Laboratory for Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室）；School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
本文提出RefQD方法，通过共享神经网络表示部分降低QD算法的资源开销，在有限资源下实现与样本高效QD算法相当或更优的性能。
2024-06-06 cs.LG cs.NE
Quality and Diversity Optimization: A Unifying Modular Framework
Imperial College London（帝国理工学院）
根据一个或多个目标找到最佳解决方案的函数优化在许多工程和研究领域中具有核心作用。最近，一个新的家庭的优化算法，称为质量多样性优化，已被介绍，并与经典算法进行了对比。质量多样性算法不是搜索单一的解决方案，而是搜索大量的多样化和高性能的解决方案。此集合的作用是尽可能涵盖可能多的解决方案类型，并包含每种类型的最佳解决方案。本文的贡献有三个方面。首先，我们提出了一个统一的框架的质量多样性优化算法，涵盖了这个家庭的两个主要算法（多维档案表型精英和新颖性搜索与本地竞争），并强调了大量的各种各样的变种，可以在这个家庭中进行调查。其次，我们提出了一个新的选择机制的质量多样性算法，优于本文测试的所有算法的算法。最后，我们提出了一个新的集合管理，克服了使用非结构化集合时观察到的侵蚀问题。这三个贡献的支持质量多样性算法在三个不同的实验方案进行了广泛的实验比较。
2017-05-12 cs.AI cs.NE
A Two-stage Evolutionary Framework For Multi-objective Optimization
针对进化多目标优化中种群收敛性与多样性难以平衡的问题，提出两阶段进化框架TEMOF，通过分阶段父代选择与外部存档机制提升搜索能力，实验验证其在多类问题上的优异鲁棒性能。
2024-07-09 cs.NE
Coevolutionary Framework for Generalized Multimodal Multi-objective Optimization
针对现有多模态多目标进化算法难寻局部帕累托最优解集、高维问题收敛性差的问题，提出含双档案库协同进化的CoMMEA框架，通过知识迁移兼顾收敛性与多样性，在54个复杂问题上性能优于7种主流算法。
2022-12-05 cs.NE
Dominated Novelty Search: Rethinking Local Competition in Quality-Diversity
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Imperial College London（帝国理工学院）；Amherst College（阿默斯特学院）
本文提出Dominated Novelty Search，将Quality-Diversity重新表述为通过适应度变换而非显式收集机制实现局部竞争的遗传算法，消除了预定义边界和参数需求，在标准基准及高维、无监督场景中均显著优于现有方法。
2025-02-01 cs.LG cs.NE
Benchmarking Quality-Diversity Algorithms on Neuroevolution for Reinforcement Learning
Imperial College London（伦敦帝国理工学院）
我们为机器人控制的强化学习领域的深度神经进化提出了一个质量多样性基准套件。该套件包括任务、环境、行为描述符和适应性的定义。我们根据任务和由深度神经网络控制的代理的复杂性指定不同的基准。该基准使用标准的质量多样性指标，包括覆盖率，QD得分，最大适应度和存档配置文件指标来量化覆盖率和适应度之间的关系。我们还提出了如何量化的鲁棒性的解决方案，环境随机性，通过引入相同的指标的校正版本。我们相信，我们的基准是一个宝贵的工具，为社会比较和改善他们的调查结果。源代码可在线获取：https://github.com/adaptive-intelligent-robotics/QDax
2022-11-04 cs.AI cs.LG cs.NE
Multiple Population Alternate Evolution Neural Architecture Search
Xiangtan University（湘潭大学）
针对现有进化神经架构搜索方法在搜索成本与结构多样性间难以兼顾的问题，提出多种群交替进化搜索范式MPAE，通过分单元循环搜索与种群迁移机制，以极低搜索成本在CIFAR数据集上取得最优结果。
2024-03-11 cs.LG cs.NE
BR-NS: an Archive-less Approach to Novelty Search
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；ISIR（智能系统与机器人研究所）
随着基于新奇搜索（NS）等发散搜索算法的开放式学习受到研究界越来越多的关注，人们自然会期望它应用于日益复杂的现实世界问题将需要在更高维度上进行探索。行为空间不一定是欧几里得的。新颖性搜索传统上依赖于k-最近邻搜索和先前访问的行为描述符的存档，这些行为描述符被假设为存在于欧几里得空间中。这是有问题的，因为有一些问题。一方面，欧几里得距离和最近邻搜索的行为不同，在高维空间中变得不那么有意义。另一方面，档案必须是有界的，因为除了内存考虑之外，在该档案中查找最近邻居的计算复杂性随着其大小线性增长。一个次优的边界可能会导致在行为空间中的“循环”，这抑制了探索的进展。此外，NS的性能取决于许多算法选择和超参数，例如向存档添加或删除元素的策略以及在k-nn搜索中使用的邻居数量。在本文中，我们讨论了一种替代方法的新颖性估计，被称为行为识别的新颖性搜索（BR-NS），它不需要存档，使没有假设的指标，可以在行为空间中定义，并不依赖于最近的邻居搜索。我们进行实验，以深入了解其可行性和动态，以及基于归档的NS在时间复杂度方面的潜在优势。
2021-04-08 cs.AI cs.LG cs.NE
QDEvo: A Multi-Objective Quality-Diversity Framework for Automated Heuristic Design
Hanoi University of Science and Technology（河内科学技术大学）；George Mason University（乔治·梅森大学）
研究针对LLMs与进化计算集成用于自动启发式设计时的模式崩溃问题，提出多目标QDEvo框架，结合质量多样性优化与LLM驱动启发式搜索，通过实验证明该框架能发现高性能、高效且语义多样的启发式方法，优于现有方法。
2026-07-15 cs.AI cs.CL cs.NE
A Novel Multi-Objective Velocity-Free Boolean Particle Swarm Optimization
本文将布尔粒子群优化算法扩展到多目标环境中，据我们所知，这在文献中是第一次。我们提出的新的布尔算法，MBOnvPSO，是显着简化的速度更新规则的省略，并具有增强的探索能力，由于包括在位置更新规则，防止粒子被困在局部最优的“噪声”项。我们的算法还利用外部档案来存储非支配的解决方案，并实现拥挤距离，以鼓励解决方案的多样性。在基准测试中，MBOnvPSO产生高质量的帕累托前沿，相比基准的替代品，为所有考虑的多目标测试功能，具有竞争力的性能，在搜索空间与多达600个离散维度。
2022-10-12 cs.NE
Multi-Objective Archiving
本文对多目标存档进行了系统概述，填补了缺乏理论视角研究的空白，并证明了基于弱Pareto兼容指标的存档算法在设计得当的情况下，可实现与基于Pareto兼容指标的存档器相同的理论理想特性（如极限最优）。
2023-09-13 cs.NE
Investigating Normalization in Preference-based Evolutionary Multi-objective Optimization Using a Reference Point
本文针对PBEMO因仅搜索感兴趣区域而难以估计目标尺度的问题，比较三种归一化方法，并提出有界归档近似最低点，发现外部归档法表现相对较好。
2023-07-13 cs.NE
ATLAS: Scaffold-Free Algorithm Synthesis by LLMs via Embedding-Guided Quality-Diversity Search
ATLAS是基于LLM的无支架全算法合成框架，通过嵌入引导质量多样性搜索解决全算法设计空间问题，在NP难问题上优于相关基线，可保留不同区域的多类算法。
2026-08-19 cs.AI cs.NE
Dynamic Quality-Diversity Search
University of Malta（马耳他大学）
针对多数质量-多样性方法仅适用于静态任务的问题，本文提出可泛化的 Dynamic QD 方法以在环境变化时更新解决方案档案，并给出动态环境刻画及 MAP-Elites、CMA-ME 的动态变体实验。
2024-04-07 cs.AI cs.NE
Controllable Exploration of a Design Space via Interactive Quality Diversity
本文提出一种基于质量多样性的用户驱动进化算法，通过在行为空间小窗口内采样备选方案并随用户选择动态调整窗口，有效降低了用户认知负荷与疲劳，在建筑布局生成任务中比 MAP-Elites 找到了更符合用户偏好的解决方案。
2023-04-07 cs.HC cs.NE
Quality-Diversity Search in Sound Generation: Investigating Innovation Engines for Audio Exploration
University of Oslo（奥斯陆大学）
本研究将质量多样性算法与监督判别模型结合，通过多频段CPPN和DSP图生成多样化合成声音，并分析进化路径与时间生态位，展示了创新引擎在声音发现中的潜力。
2026-06-08 cs.NE cs.SD
EvoPref: Multi-Objective Evolutionary Optimization Discovers Diverse LLM Alignments Beyond Gradient Descent
The University of Hong Kong（香港大学）；Stellaris AI Limited（Stellaris AI有限公司）
EvoPref通过多目标进化算法在帮助性、无害性和诚实性目标上优化LoRA适配器，发现比梯度下降更丰富的对齐方式，实验显示其在偏好覆盖和崩溃率上均有显著提升。
2026-06-23 cs.AI cs.CL cs.LG
Large Language Model-Driven Full-Component Evolution of Adaptive Large Neighborhood Search
Nanjing University of Science and Technology（南京理工大学）；Université Paris-Saclay, CentraleSupélec（巴黎萨克雷大学、中央理工-高等电力学院）；EM Normandie Business School（法国诺曼底商学院）
本文提出了一种闭环的大语言模型驱动的演化框架，通过解耦自适应大邻域搜索（ALNS）并自动重建其所有组件，提升了ALNS在生产物流优化中的适应性和效率。
2026-05-19 cs.NE
Multi-objective Cat Swarm Optimization Algorithm based on a Grid System
University of Kurdistan Hewlêr（库尔德斯坦大学赫勒尔校区）；Charmo University（查莫大学）；Sulaimani Polytechnic University（苏莱曼尼理工大学）；University of Human Development（人类发展大学）；Kirkuk University（基尔库克大学）
本文提出基于网格系统的多目标猫群优化算法（GMOCSO），通过贪婪方法替代轮盘赌并引入网格与双存档策略，在测试函数和压力容器设计问题上验证了其收敛性与多样性的稳健性。
2025-02-22 cs.AI cs.NE
Quality Evolvability ES: Evolving Individuals With a Distribution of Well Performing and Diverse Offspring
University of York（约克大学）
从深度学习的成功中得到的最重要的教训之一是，与我们手工设计的表示相比，学习的表示在任何任务中都表现得更好。然而，进化算法的进化，其目的是自动学习良好的遗传表示，得到了相对较少的关注，也许是因为它们需要大量的计算能力。最近的方法Evolvability ES允许直接选择的进化与很少的计算。然而，它只能用于解决进化性和任务性能一致的问题。我们提出了质量进化ES，同时优化任务性能和进化能力，没有这种限制的方法。我们所提出的方法质量进化有类似的动机质量多样性算法，但有一些重要的区别。虽然质量多样性的目的是找到一个多样化和表现良好的档案，但潜在的遗传遥远的个人，质量进化的目的是找到一个单一的个人与多样化和表现良好的后代分布。通过这样做，质量进化被迫发现更多的进化表示。我们证明了机器人运动控制任务的质量进化ES，类似于质量多样性的方法，可以学习速度比基于目标的方法，可以处理欺骗性的问题。
2021-07-20 cs.AI cs.LG cs.NE
Quality-Diversity Optimisation on a Physical Robot Through Dynamics-Aware and Reset-Free Learning
Edinburgh Napier University（爱丁堡龙比亚大学）；Imperial College London（帝国理工学院）
本文扩展 RF-QD，利用学习的动力学模型、行为筛选与自主恢复策略，让物理四足机器人在两小时内无监督构建行为库，并在迷宫任务中验证其优于 MAP-Elites。
2023-04-24 cs.AI cs.NE cs.RO
EvoLattice: Persistent Internal-Population Evolution through Multi-Alternative Quality-Diversity Graph Representations for LLM-Guided Program Discovery
EvoLattice通过多替代质量-多样性图表示实现持久内部种群进化，提升LLM引导程序发现的稳定性、表达力和改进轨迹
2025-12-17 cs.AI cs.CL cs.LG
Dynamic Multi-Objective Lion Swarm Optimization with Multi-strategy Fusion: An application in 6R robot trajectory planning
College of control science and engineering, China University of Petroleum (East China)（中国石油大学（华东）控制科学与工程学院）；Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织（CSIRO））
本文提出多策略融合的动态多目标狮群优化算法MF-DMOLSO，通过混沌初始化、改进的幼狮位置更新和自适应外部档案更新提升收敛性与多样性，在基准测试中显著优于主流多目标算法，并成功应用于6R机器人轨迹规划，实现运行时间与加速度的优化。
2024-06-08 cs.NE cs.RO
Augmenting Novelty Search with a Surrogate Model to Engineer Meta-Diversity in Ensembles of Classifiers
Imperial College London（帝国理工学院）；Edinburgh Napier University（爱丁堡龙比亚大学）
使用神经进化结合新奇搜索来促进行为多样性，能够构建用于分类的高性能集合。然而，在搜索期间使用梯度下降来训练演进的架构在计算上可能是禁止的。在这里，我们提出了一种方法来克服这一限制，通过使用一个代理模型，估计两个神经网络架构之间的行为距离计算的稀疏项在新奇搜索。我们证明了10倍的速度比以前的工作，并显着改善了以前的报告结果的三个基准数据集从计算机视觉- CIFAR-10，CIFAR-100，和SVHN。这是由于通过使用代理来促进扩展的架构搜索空间。我们的方法代表了一个改进的范例，实现水平缩放的学习算法的多样性显式搜索相当容易处理相同的有界资源。
2022-02-08 cs.CV cs.LG cs.NE
Interpreting Multi-objective Evolutionary Algorithms via Sokoban Level Generation
本文以推箱子关卡生成为案例，构建集成 Two_Arch2 的 Web 交互平台，实时可视化进化过程，以连接优化理论与游戏生成应用并支持教学。
2024-06-15 cs.HC cs.NE
A binary variant of gravitational search algorithm and its application to windfarm layout optimization problem
South Asian University（南亚大学）
在二分搜索空间中，GSA框架遇到了停滞、多样性损失、早熟收敛和高时间复杂度的缺点。为了解决这些问题，本文提出了一种新的二进制变种的GSA称为“一种新的邻域档案嵌入引力常数在GSA的二进制搜索空间（BNAGGSA）”。在BNAGGSA中，新的基于适应度距离的社会交互策略产生了一个自适应步长机制，通过该机制，智能体根据其当前的搜索需求以最佳步长向最佳方向移动。该算法的性能进行了比较，与两个二进制变种的GSA超过23个著名的基准测试问题。实验结果和统计分析证明了BNAGGSA算法的优越性。此外，检查所提出的算法在解决现实世界中的应用，风电场布局优化问题的适用性。两个案例研究，两个不同的风场的两个不同的风数据集被认为是实验。
2021-07-25 cs.AI cs.LG cs.NE
