Locating the boundaries of Pareto fronts: A Many-Objective Evolutionary Algorithm Based on Corner Solution Search
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Collaborative Innovation Center of Novel Software Technology and Industrialization（新型软件技术与产业化协同创新中心）；City University of Hong Kong（香港城市大学）
提出了一种基于角点解搜索的进化多目标优化算法（MaOEA-CS）。MaOEA-CS隐含地包含两个阶段：在第一阶段，利用搜索最重要的边界最优解-角点解;在第二阶段，使用基于角度的选择[1]，探索搜索PF近似的扩展。由于其高效率和对PF形状的鲁棒性，它赢得了CEC 2017年进化多目标优化竞赛。此外，MaOEA-CS还被应用于两个现实世界的工程优化问题非常不规则的PF。实验结果表明，MaOEA-CS算法的性能优于其他6种同类算法，表明该算法能够有效地处理具有不规则PF的复杂优化问题。
2018-06-08 cs.AI cs.NE
Evolutionary Search in the Space of Rules for Creation of New Two-Player Board Games
Ghulam Ishaq Khan Institute of Engineering Sciences and Technology（加齐大学工程科学与技术学院）；Al Imam Mohammad Ibn Saud Islamic University (IMSIU)（伊玛目穆罕默德·伊本·沙特伊斯兰大学）；National University of Computer and Emerging Science（国立计算机与新兴科学大学）
游戏一直是人工智能技术的热门试验平台。游戏开发者总是在不断地寻找能够自动创建计算机游戏的技术，以最小化开发者的任务。在这项工作中，我们提出了一个进化策略为基础的解决方案自动生成的两个球员的棋盘游戏。为了指导游戏的进化过程，这是娱乐，我们提出了一套指标。这些度量基于计算机游戏中的不同娱乐理论。这项工作还比较了娱乐价值的进化游戏与现有的流行的基于棋盘的游戏。进一步地，为了用人类用户的娱乐价值来验证演进游戏的娱乐价值，进行人类用户调查。除了用户调查，我们检查的可学习性的进化游戏使用人工神经网络为基础的控制器。所提出的度量和进化过程可以用于生成新的和有趣的棋盘游戏，提供初始搜索空间给进化算法。
2014-06-01 cs.AI cs.NE
Algorithm Discovery With LLMs: Evolutionary Search Meets Reinforcement Learning
EPFL（苏黎世联邦理工学院）；Apple（苹果公司）
提出通过强化学习微调持续优化大语言模型，结合进化搜索加速发现更优算法，在组合优化任务上验证有效性。
2025-08-04 cs.AI cs.LG 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
Evolutionary thoughts: integration of large language models and evolutionary algorithms
本文提出将大语言模型与演化算法融合，通过高效评估框架和LLM增强的搜索策略，缓解LLM推理幻觉与演化计算瓶颈，提升复杂优化问题中候选解的质量。
2025-05-09 cs.AI cs.NE
Credit Assignment in Adaptive Evolutionary Algorithms
本文提出了一种新的分配信用的搜索算子的方法。从优化搜索偏差的原则开始，搜索算子的选择是基于创建与未来世代历史相关的解决方案的能力。使用一种新的框架，用于定义性能测量，分配信用的性能，和统计解释的信用，一种新的自适应方法的开发和表现出优于各种自适应和非自适应的竞争对手。
2009-07-03 cs.AI cs.NE
An LLM-Empowered Adaptive Evolutionary Algorithm For Multi-Component Deep Learning Systems
NTU（国立新加坡大学）
针对多组件深度学习系统的安全违规检测，本文提出LLM赋能的μMOEA，通过问题感知初始化、自适应进化及经验反馈生成差异种子，提升搜索效率与多样性。
2025-06-11 cs.AI cs.NE
Understanding the Importance of Evolutionary Search in Automated Heuristic Design with Large Language Models
City University of Hong Kong（香港城市大学）；Southern University of Science and Technology（南方科技大学）
针对现有基于大语言模型的进化程序搜索式自动化启发式设计研究存在基准不一致、基线不足、组件分析缺失的问题，本研究搭建大规模基准测试开展实验，验证了进化搜索的重要性并开源相关成果。
2024-07-15 cs.AI cs.NE
Surprise Search for Evolutionary Divergence
受非常规发现的惊奇概念的启发，我们提出了一种通用的搜索算法，我们称之为惊奇搜索，这是一种新的进化发散搜索方法。惊喜搜索是基于发散搜索范式，并在进化搜索的原则内制造。该算法模仿自我惊讶的认知过程，并使进化搜索具有寻找偏离算法预期行为的解决方案的能力。预期解决方案的预测模型基于搜索位置的历史轨迹和关于搜索空间的本地信息。惊喜搜索在机器人迷宫导航任务中进行了广泛的测试：实验在四个编写的欺骗性迷宫和60个生成的迷宫中进行，并与基于目标的进化搜索和新奇搜索进行比较。本研究的主要发现表明，与其他两个搜索过程相比，惊喜搜索是有利的。特别是，它优于客观搜索，它是有效的新奇搜索在所有的任务检查。最重要的是，惊喜搜索是更快，平均而言，更强大的解决导航问题相比，任何其他算法检查。最后，我们的分析表明，惊喜搜索探索的行为空间更广泛，并产生更高的人口多样性相比，新奇的搜索。突击搜索与其他形式的发散搜索（如新奇搜索）的区别在于，它不是偏离先前和已知的解决方案，而是偏离所考虑领域中预测和未知的点。
2017-06-08 cs.NE
Evolutionary Ensemble Search: Council-Guided Program Evolution with Persistent Memory
Impulse AI（脉冲人工智能）
该研究提出进化集成搜索（EES）框架，通过委员会引导的程序进化与持久记忆，在MLE-bench Lite上19/22任务达奖牌阈值，实现跨模态机器学习流程的累积式自动构建。
2026-09-17 cs.AI cs.NE
Epistasis-based Basis Estimation Method for Simplifying the Problem Space of an Evolutionary Search in Binary Representation
进化搜索空间可以通过适当的基变换来平滑地变换;然而，可能难以确定适当的基。本文提出了一种在二进制编码方案中选择最优基的方法，该方法可用于简化进化搜索空间。基搜索方法基于遗传算法，适应度评价基于上位性，上位性是遗传算法复杂性的指标。进行了两个测试，以验证所提出的方法时，适用于两个不同的进化搜索问题。第一个寻找一个适当的基础来应用，而第二个寻找一个解决方案的测试问题。所得到的结果后，确定的基础已被应用进行了比较，与原来的基础，它被发现，所提出的方法提供了优越的结果。
2019-04-19 cs.NE
Partnering Strategies for Fitness Evaluation in a Pyramidal Evolutionary Algorithm
University of the West of England（西英格兰大学）
本文将层次分布式遗传算法的思想与不同的代理间的合作策略相结合。子种群的级联集群是从自底向上的构建的，更高级别的子种群优化问题的更大部分。因此，较高级别的子群体以较低的分辨率搜索较大的搜索空间，而较低级别的子群体以较高的分辨率搜索较小的搜索空间。针对两个多项选择优化问题，检查了用于（子）适应度评估目的的不同伙伴选择方案的影响。结果表明，随机合作策略提供更好的抽样和更多的多样性表现最好。
2008-03-03 cs.AI cs.NE
An Ensemble of Evolutionary Algorithms With Both Crisscross Search and Sparrow Search for Processing Inferior Individuals
China University of Geosciences, Wuhan（中国地质大学（武汉））；Jilin University（吉林大学）
本文提出了一种结合交叉搜索和麻雀搜索的进化算法集合EA4eigCS，用于提升处理劣质个体的性能，实验表明其在长期搜索任务中表现优异。
2026-01-15 cs.NE
Evolutionary Architecture Search For Deep Multitask Networks
Sentient Technologies, Inc.（先识科技公司）；The University of Texas at Austin（得克萨斯大学奥斯汀分校）
多任务学习，即用同一个神经网络同时学习多个任务，可以提高每个任务的性能。为多任务学习设计深度神经网络架构是一项挑战：有很多方法可以将任务联系在一起，设计选择很重要。这个问题的规模和复杂性超出了人类的设计能力，使其成为进化优化的一个引人注目的领域。使用现有的最先进的软订购体系结构为出发点，不断发展的模块，这种体系结构和不断发展的整体拓扑结构或模块之间的路由方法进行了评估。一个协同的方法，不断发展的自定义路由与进化，共享模块的每个任务被发现是非常强大的，显着提高了最先进的Omniglot多任务，多字母字符识别域。这一结果证明了进化如何有助于推进深度神经网络和复杂系统的总体设计。
2018-04-17 cs.AI cs.NE
Computational complexity and simulation of rare events of Ising spin glasses
我们讨论了随机二维伊辛自旋玻璃的计算复杂性，这代表了一类有趣的黑盒优化约束满足问题。考虑了两种极端情况：（1）+/- J自旋玻璃，和（2）高斯自旋玻璃。我们还研究了这两种极端情况之间的平滑过渡。所有研究的自旋玻璃系统的计算复杂性被发现是由极硬自旋玻璃样品的罕见事件。我们发现，所有研究的自旋玻璃系统的复杂性是密切相关的Frechet极值分布。在一个混合算法，结合了层次贝叶斯优化算法（hBOA）与一个确定性的位翻转爬山，由全局搜索（hBOA）和本地搜索执行的步骤数遵循弗雷歇分布。尽管如此，与纯粹基于局部搜索的方法不同，这些分布的参数证实了hBOA与局部搜索的良好可扩展性。我们进一步认为，优化算法的标准性能指标-例如直到收敛的平均评估次数-可能会产生误导。最后，我们的研究结果表明，高度多模态约束满足的问题，如伊辛自旋眼镜，重组为基础的搜索可以提供更好的质量比基于变异的搜索结果。
2004-02-15 cs.AI cs.NE
Regularized Evolutionary Algorithm for Dynamic Neural Topology Search
University of Trento（特伦托大学）；Fondazione Bruno Kessler (FBK)（布鲁诺·凯斯勒基金会）
设计用于对象识别的神经网络需要大量的架构工程。作为一种补救措施，神经进化网络结构搜索，它使用进化算法自动搜索最佳网络结构，最近变得非常流行。虽然非常有效，但进化算法严重依赖于具有大量个体（即，网络体系结构）并且因此存储器昂贵。在这项工作中，我们提出了一个具有低内存占用的正则化进化算法来进化动态图像分类器。在细节上，我们引入了新的自定义算子，规范了10个个体的微种群的进化过程。我们在三个不同的数字数据集（MNIST，USPS，SVHN）上进行了实验，结果表明，我们的进化方法获得了与当前最先进的竞争结果。
2019-08-19 cs.CV cs.NE
Evolutionary Neural Architecture Search for Image Restoration
卷积神经网络（CNN）架构传统上由人类专家在手动搜索过程中进行探索，该过程耗时且无法有效地探索潜在解决方案的巨大空间。神经结构搜索（NAS）方法自动搜索神经网络超参数的空间，以找到最佳的特定于任务的结构。NAS方法已经发现了CNN架构，其在图像分类以及其他任务中实现了最先进的性能，然而NAS在图像到图像回归问题（诸如图像复原）中的应用是稀疏的。本文提出了一种NAS方法，执行计算效率的进化搜索的最小约束的网络架构搜索空间。在应用于ImageNet64x64数据集的各种图像复原任务上评估了所提出的方法发现的架构的性能，并与人类工程CNN架构进行了比较。仅使用2个GPU小时的进化搜索就发现了最好的神经架构，表现出与人类工程基线架构相当的性能。
2019-03-30 cs.NE
Large Language Model-Aided Evolutionary Search for Constrained Multiobjective Optimization
针对约束多目标优化中进化算法收敛慢的问题，提出通过定制提示工程微调LLM并将其作为搜索算子生成优质解，实验表明可显著提升收敛速度且性能优于前沿进化算法。
2024-05-09 cs.NE
Integrating Chaotic Evolutionary and Local Search Techniques in Decision Space for Enhanced Evolutionary Multi-Objective Optimization
本文针对单目标多模态和多目标优化问题，提出结合混沌演化与小生境技术的CEDC和CECA算法，并扩展出包含不确定性选择和自适应调参的综合框架，显著提升了优化精度与鲁棒性。
2024-11-12 cs.NE
Selecting for Selection: Learning To Balance Adaptive and Diversifying Pressures in Evolutionary Search
受自然进化的启发，进化搜索算法已被证明是非常有能力的，因为它们具有通过不同种群进行辐射式探索和收敛到适应压力的双重能力。这种行为的很大一部分来自进化算法的选择功能，这是决定哪些个体存活到下一代的度量。在欺骗性或难以搜索的适应度景观中，贪婪选择往往会失败，因此选择函数在梯度利用适应和探索性多样化之间取得正确的平衡至关重要。本文介绍了Sel4Sel，或选择选择，一种算法，通过元进化循环搜索高性能的基于神经网络的选择功能。在三个不同的比特串域上的结果表明，Sel4Sel网络始终匹配或超过基于适应度的选择和明确旨在鼓励多样性的基准的性能。对最强Sel4Sel网络的分析揭示了一种普遍的趋势，即在早期倾向于高度新颖的个体，随着欺骗性的局部最优被绕过，逐渐转向基于适应度的选择。
2021-06-16 cs.NE
Distribution of the search of evolutionary product unit neural networks for classification
University of Seville（塞维利亚大学）；University of Córdoba（科尔多瓦大学）
本文讨论了用进化乘积单元神经网络寻找最佳分类模型的分布式处理。对于这种分布式搜索，我们使用了一组计算机。我们的目标是获得一个更有效的设计比那些网络架构，不使用分布式处理，从而导致更简单的设计。为了得到最佳的分类模型，我们使用进化算法来训练和设计神经网络，这需要非常耗时的计算。需要这种分配的原因是多方面的。这是复杂的训练这种类型的网络，因为在确定它们的结构，由于复杂的误差表面带来的困难。另一方面，进化算法的使用涉及运行大量的具有不同种子和参数的测试，从而导致高计算成本
2012-05-15 cs.AI cs.CV cs.NE
Sampled Training and Node Inheritance for Fast Evolutionary Neural Architecture Search
深度神经网络的性能在很大程度上取决于其架构，并且已经开发了各种神经架构搜索策略用于自动化网络架构设计。近年来，进化神经结构搜索（ENAS）由于其良好的全局寻优能力而受到越来越多的关注。然而，ENAS具有极高的计算成本，因为在进化优化中通常需要大量的性能评估，并且训练深度神经网络本身在计算上是非常密集的。针对这一问题，提出了一种新的基于有向无环图的快速ENAS进化框架，在该框架中，父代被随机抽取，并在每一小批训练数据上进行训练.此外，采用节点继承策略生成后代个体，无需训练直接评估其适应度。为了增强进化神经网络的特征处理能力，我们还在搜索空间中编码了通道注意力机制。我们评估了广泛使用的数据集上的算法，与26个国家的最先进的同行算法相比。实验结果表明，该算法不仅计算效率更高，而且在学习性能上具有很强的竞争力。
2020-03-07 cs.NE
On the Runtime of Randomized Local Search and Simple Evolutionary Algorithms for Dynamic Makespan Scheduling
进化算法是求解动态优化问题的常用算法。通过本文，我们有助于对这一研究领域的理论理解。我们提出了第一个计算复杂性分析的进化算法的动态变化的经典组合优化问题，即最大完工时间调度。我们研究了一个强对手的模型，它被允许定期更换一个工作。此外，我们研究了随机变化的设置。我们的研究结果表明，随机局部搜索和一个简单的进化算法是非常有效的动态跟踪变化的问题实例。
2015-04-23 cs.DS cs.NE
Evolutionary latent space search for driving human portrait generation
Universidad de la República（共和国大学）；ITIS Software, Universidad de Málaga（马拉加大学ITIS软件研究所）
提出了一种基于生成对抗网络潜在空间探索的合成人像进化生成方法。这个想法是产生不同的人脸图像非常类似于一个给定的目标肖像。该方法应用StyleGAN2进行肖像生成，FaceNet进行人脸相似性评估。进化搜索基于探索StyleGAN2的实数编码潜在空间。在合成图像和真实图像上的主要结果表明，所提出的方法产生准确和多样的解决方案，代表现实的人的肖像。该研究有助于提高人脸识别系统的安全性。
2022-05-19 cs.AI cs.CV cs.LG
Evolutionary Algorithms and Multi-Objective Minimum Spanning Trees with Limited Distinct Weight Values
Univ. Lille, CNRS, Centrale Lille, UMR 9189 CRIStAL（里尔大学、法国国家科学研究中心、中央理工学院、CRIStAL联合研究实验室）；University of Minnesota Duluth（明尼苏达大学德卢斯分校）；Adelaide University（阿德莱德大学）
研究当边权取少量不同值时帕累托前沿的结构，基于此推导进化多目标算法的新运行时界，并通过实验验证。
2026-06-17 cs.NE
Evolutionary-Neural Hybrid Agents for Architecture Search
Jagiellonian University（雅盖隆大学）；Google AI（谷歌人工智能）
神经结构搜索已经显示出自动设计神经网络的潜力。基于深度强化学习的智能体可以学习复杂的架构模式，并探索广阔的组合搜索空间。另一方面，进化算法提供了更高的样本效率，这对于这样的资源密集型应用是至关重要的。为了捕捉这两个世界的最好的，我们提出了一类进化神经混合代理（Evo-NAS）。我们表明，Evo-NAS代理优于神经和进化代理时，适用于一套文本和图像分类基准架构搜索。在一个高复杂度的架构搜索空间的图像分类，Evo-NAS代理超越了常用的代理实现的准确性，只有1/3的搜索成本。
2020-02-15 cs.LG cs.NE stat.ML
EvoAAA: An evolutionary methodology for automated \neural autoencoder architecture search
Universidad de Jaén（哈恩大学）
当向机器学习模型提供策划的功能时，它们会更好地工作。特征工程方法通常被用作预处理步骤，以获得或构建合适的特征集。近年来，自编码器（一种特定类型的对称神经网络）已被广泛用于执行表示学习，证明了其与经典特征工程算法的竞争力。使用自动编码器的主要障碍是找到一个好的架构，这是大多数专家手动面对的过程。本文提出了一种基于进化方法的自动编码器结构搜索方法。该方法针对九个异构数据集进行了测试。所得到的结果表明，这种方法能够找到更好的架构，能够集中在一个最小化的编码，在减少的时间大部分有用的信息。
2023-01-15 cs.AI cs.LG cs.NE
EVOTS: Evolutionary Transformer Search for Time Series Forecasting
University of North Carolina Wilmington（北卡罗来纳大学威尔明顿分校）
提出进化神经架构搜索框架EVOTS，通过模块化基因组表示和修复机制自动发现任务自适应的Transformer类架构，在ETT数据集多变量预测中达到竞争性性能。
2026-07-02 cs.AI cs.LG cs.NE
Evolutionary Architecture Search through Grammar-Based Sequence Alignment
Carlos III University of Madrid（马德里卡洛斯三世大学）；University of Edinburgh（爱丁堡大学）；Instituto de Investigación Sanitaria Gregorio Marañón（Gregorio Marañón卫生研究院）；Helmholtz-Zentrum Berlin für Materialien und Energie（柏林材料与能源研究中心）；ELLIS Institute Tübingen（图宾根ELLIS研究所）；University of Glasgow（格拉斯哥大学）
本文提出基于语法规则的进化架构搜索方法，利用改进的Smith-Waterman算法计算编辑距离，提升搜索效率并发现新颖架构。
2025-12-04 cs.AI cs.LG cs.NE
Evolutionary algorithms
本手稿包含作者阅读的讲座课程“进化算法”的大纲。本课程涵盖了经典遗传算法和其他各种遗传算法，以及进化策略，遗传编程，禁忌搜索和一般的进化算法。对交叉算子的旋转性、模式定理、遗传算法的局部搜索性能以及进化算法的“几乎必然”收敛性等问题给出了完整的证明。文本是俄语的。
2022-03-30 cs.NE
Effect of Degree Distribution on Evolutionary Search
提出了一种基于节点度表的层次模块化网络生成方法，并提出了一种基于边距离的网络模块化度量方法。生成的网络被用作测试问题，以探索模块化和度分布对进化算法性能的影响。实验结果（i）证实了先前的发现，即模块化增加了遗传算法在爬山者上的性能优势，（ii）支持了一个新的猜想，即具有重尾右偏度分布的模块化约束网络的测试问题比具有钟形正态度分布的模块化约束网络的测试问题更容易解决。
2009-03-14 cs.NE
Knowledge-aware Evolutionary Graph Neural Architecture Search
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）
本研究针对现有GNAS从零知识状态搜索效率低的问题，提出KEGNAS方法，利用知识库训练知识模型和DMOGP加速多目标进化搜索，实证显示其性能优于先进基线。
2024-11-26 cs.AI cs.LG cs.NE
SOM-Guided Evolutionary Search for Solving MinMax Multiple-TSP
多重TSP，在文献中也缩写为mTSP，是旅行商问题的扩展，它是具有重要实际意义的车辆路径问题的许多变体的核心。目前的文件开发和实验与自组织地图，进化算法和蚁群系统，以解决最小最大制定的单仓库多TSP。神经网络方法和两个元算法之间的杂交显示出显著的改进，优于文献中报道的一组问题实例从TSPLIB。
2019-07-27 cs.NE
Creative AI Through Evolutionary Computation: Principles and Examples
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Cognizant Technology Solutions（高知特科技解决方案公司）
人工智能的主要力量不在于对我们已经知道的东西进行建模，而在于创造新的解决方案。这样的解决方案存在于非常大的，高维的，复杂的搜索空间。基于群体的搜索技术，即演化计算的变体，非常适合于找到它们。这些技术使人们有可能为现实世界中的实际问题找到创造性的解决方案，使创造性的人工智能通过演化计算可能成为“下一个深度学习”。"
2021-02-15 cs.AI cs.LG cs.NE
A Novel Evolutionary Algorithm for Hierarchical Neural Architecture Search
University of Macedonia（马其顿大学）
本研究提出一种带层次化模块架构表示与子结构筛选机制的新型进化算法，用于全局空间的神经架构搜索，在Fashion-MNIST和NAS-Bench101上以较少世代数取得了93.2%和94.8%的准确率。
2023-05-04 cs.LG cs.NE
Beyond Evolutionary Algorithms for Search-based Software Engineering
内容：进化算法通常需要大量的评估（解决方案）收敛-这可能是非常缓慢和昂贵的evaluation.Objective：为了解决基于搜索的软件工程（SE）问题，使用较少的评价比evolutionarymethods.Method：而不是变异一个小的人口，我们建立了一个非常大的初始人口，然后使用递归双聚类斩方法剔除。我们评估这种方法对多个SE模型，无约束以及约束，并比较其性能与标准的进化算法。结果如下：使用几个评估（低于100），我们可以获得与最先进的进化算法相当的结果。结论：仅仅因为某个方法有效，并且被广泛使用，并不一定意味着没有价值去寻找方法来改进该方法。在使用传统EA进行基于搜索的SE优化任务之前，建议尝试其他技术，如本文所述，以获得相同的结果，并减少评估。
2017-09-17 cs.NE cs.SE
A Cuckoo Quantum Evolutionary Algorithm for the Graph Coloring Problem
基于量子进化算法框架，提出了一种求解图着色问题的布谷鸟量子进化算法。为了减少色数搜索的迭代次数，初始量子种群由遗传辅助的随机初始化产生。此外，通过引入布谷鸟搜索策略，改进了算法的全局搜索能力，并引入了局部搜索和扰动策略，以提高算法在控制点上的性能。数值结果表明，CQEA具有很强的探索和开发能力，与现有的启发式算法相比具有很强的竞争力。
2021-08-19 cs.NE
An Evolutionary Stochastic-Local-Search Framework for One-Dimensional Cutting-Stock Problems
我们引入了一个进化的随机局部搜索（SLS）算法来解决所谓的1/V/D/R下料问题的广义版本。在工业环境中经常会遇到切削库存问题，有效解决这些问题的能力通常会带来巨大的经济效益。传统的基于线性规划的技术已被用来解决这些问题，但它们的灵活性可能会受到限制时，非线性约束和目标函数的介绍。为此，本文提出了一种解决一维下料问题的进化SLS算法。的贡献在于引入一个灵活的结构框架的优化，可以容纳一个大家庭的多元化战略，包括一个新的并行模式适合SLS算法（不一定限于切割股票的问题）。最后，我们通过实验证明在现实世界中的制造问题所考虑的多元化战略的成本降低的好处。
2017-07-27 cs.NE
Creative AI Through Evolutionary Computation
The University of Texas at Austin（得克萨斯大学奥斯汀分校）；Cognizant Technology Solutions（高知特技术解决方案公司）
人工智能的主要力量不在于对我们已经知道的东西进行建模，而在于创造新的解决方案。这样的解决方案存在于非常大的，高维的，复杂的搜索空间。基于群体的搜索技术，即演化计算的变体，非常适合于找到它们。这些技术也很好地利用了大规模并行计算资源，使通过演化计算的创造性AI成为可能的“下一个深度学习“。
2020-02-22 cs.AI cs.LG cs.NE
An Experimental Study of Adaptive Control for Evolutionary Algorithms
探索与利用的平衡是演化计算的一个关键问题。在本文中，我们将探讨如何自适应控制器的目的是执行操作员选择可以用来动态管理所需的EvE平衡的搜索，显示由这种控制范式确定的搜索策略导致改进的解决方案的质量发现的进化算法。
2014-09-05 cs.NE
Fashion Style Generation: Evolutionary Search with Gaussian Mixture Models in the Latent Space
本文提出了一种新的方法，用于指导在FashionGen数据集上训练的生成对抗网络生成与目标时尚风格相对应的设计。在生成器的潜在空间中找到对应于一种风格的潜在向量是一个进化搜索问题。在服装属性预测模型中，基于服装的高层表示，应用高斯混合模型来识别服装风格。经过几代，遗传算法优化设计群体，以增加它们属于高斯混合成分或风格之一的概率。显示所开发的系统可以生成最大健身视觉上类似于某些风格的图像，我们的方法提供了一个很有前途的方向，以指导搜索风格连贯的设计。
2022-04-04 cs.NE
Coronavirus Optimization Algorithm: A Success-History Adaptive Evolutionary Framework with Archive-Assisted Search and Stagnation Recovery for Global Optimization
Bournemouth University（伯恩茅斯大学）
本文提出受SARS-CoV-2启发的COA优化算法，将冠状病毒机制映射为搜索算子，结合多种技术在29个CEC 2017基准函数上测试，其整体Friedman秩最优，是紧凑透明的自适应进化优化器。
2026-08-26 cs.AI cs.CC cs.NE
Meme as Building Block for Evolutionary Optimization of Problem Instances
在文献中，进化优化的一个显着不足的探索领域是可以随着问题的解决而进化的优化方法的研究。特别是，目前的进化优化方法通常从头开始搜索或从零开始的知识状态，独立于给定的新的感兴趣的问题是如何类似于那些以前优化。因此，显然缺乏跨问题的自动知识转移和重用。以此为线索，本文介绍了一种新的模因计算范式的搜索，一个模型后，人类如何解决问题，并开始对智能进化优化问题的研究，通过转移的结构化知识的形式模因从以前的解决问题的经验，以提高未来的进化搜索。模因搜索范式由模因学习、模因选择、模因变异和模因模仿四个文化启发算子组成。学习算子从过去解决问题的经验中挖掘潜在结构形式的模因。选择算子识别在问题间复制和传播的适合模因，而变异算子将创新引入模因。另一方面，模仿算子定义了合适的模因如何同化到新遇到的问题的搜索过程中，从而实现高效和有效的进化优化。最后，全面研究两个广泛研究的挑战性以及建立NP难路由问题域，特别是，有能力的车辆路由（CVR）和有能力的弧路由（CAR），证实了高效率的智能进化优化问题的模因计算搜索范式。
2012-07-03 cs.NE
Analysis of Solution Quality of a Multiobjective Optimization-based Evolutionary Algorithm for Knapsack Problem
多目标优化被认为是进化优化中处理约束优化问题最有前途的方法之一。本文对求解0-1背包问题的多目标优化进化算法进行了理论研究。该算法考虑了两种初始化方法：局部搜索初始化和贪婪搜索初始化。然后从逼近比的角度分析了算法的解质量。
2015-02-12 cs.NE
Evolutionary Neural Architecture Search for Transformer in Knowledge Tracing
Anhui University（安徽大学）；Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education（教育部智能计算与信号处理重点实验室）；Guangdong University of Foreign Studies（广东外语外贸大学）
针对现有基于Transformer的知识追踪方法存在的手动选特征、单一全局建模难捕捉遗忘行为的问题，提出进化神经架构搜索方法，自动选特征并平衡局部/全局上下文建模，在两大教育数据集上验证了有效性。
2023-10-02 cs.AI cs.LG cs.NE
Evolutionary Algorithms for Reinforcement Learning
University of Southern California（南加州大学）；Information Sciences Institute（信息科学研究所）；Naval Research Laboratory（美国海军研究实验室）；George Mason University（乔治梅森大学）
有两种不同的方法来解决强化学习问题，即在价值函数空间中搜索和在策略空间中搜索。时间差分方法和进化算法是这些方法的众所周知的例子。Kaelbling，Littman和Moore最近提供了一个翔实的调查时间差异的方法。这篇文章的重点是应用进化算法的强化学习问题，强调替代政策表示，信用分配方法，和特定问题的遗传算子。强化学习的进化方法的优点和缺点，以及代表性的应用调查。
2011-06-01 cs.AI cs.LG cs.NE
Ranking Constraints via Topological Dual-Directional Search in Evolutionary Multi-Objective Optimization
National Key Laboratory of Parallel and Distributed Computing, College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机科学与技术学院并行与分布式计算国家重点实验室）；College of System Engineering, National University of Defense Technology（国防科技大学系统工程学院）；College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学学院）；State Key Laboratory of Complex & Critical Software Environment, College of Information and Communication, National University of Defense Technology（国防科技大学信息与通信学院复杂与关键软件环境国家重点实验室）
本文提出RCCMO算法，通过拓扑对偶方向搜索机制，区分约束在CPF形成中的不同作用，提升约束处理效率。
2026-04-06 cs.NE
OR-Agent: Bridging Evolutionary Search and Structured Research for Automated Heuristic Design
Key Laboratory of Road and Traffic Engineering of the Ministry of Education（教育部道路与交通工程重点实验室）；College of Transportation, Tongji University（同济大学交通运输学院）
OR-Agent通过结构化树形工作流和进化-系统化构想机制，实现自动化算法发现的高效探索与科学发现。
2026-09-07 cs.AI cs.CE cs.NE
Identifying potentiating events in evolutionary search using replay experiments
Grand Valley State University（大急流城州立大学）
本研究将分析性重放实验引入进化计算领域，通过分步指南设计该实验，以遗传编程种群为例验证其能量化进化潜力，发现成功潜力与适应度无必然关联，可拓展进化计算理论基础。
2026-08-11 cs.NE
Evolutionary Landscape and Management of Population Diversity
进化算法（EA）的搜索能力取决于种群中个体之间的变化[3，4，8]。保持EA人口的多样性的最佳水平是必不可少的，以确保EA搜索的进展是不受过早收敛到次优解。更清楚地理解种群多样性的概念，特别是在进化搜索和早熟收敛的背景下，是设计高效进化算法的关键。为此，本文首先对EA种群多样性问题进行了简要分析。接下来，我们提出了一个反小生境EA技术的调查[4]，引入和保持建设性的多样性的人口。所提出的方法使用知情的遗传操作，以达到有前途的，但未开发或开发不足的领域的搜索空间，同时阻止过早的局部收敛。一套标准的基准测试函数与遗传算法（GA）的实现进行了仿真运行显示出良好的效果。
2015-10-24 cs.NE
Evolutionary Algorithm Enhanced Neural Architecture Search for Text-Independent Speaker Verification
Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）
最先进的说话人验证模型基于深度学习技术，这在很大程度上依赖于专家或工程师手工设计的神经架构。我们借用神经结构搜索（NAS）的思想，文本无关的说话人确认任务。由于NAS可以自动学习深度网络结构，我们将NAS概念引入到著名的x向量网络中。此外，本文提出了一种进化算法增强的神经结构搜索方法，称为自动向量自动发现有前途的网络的说话人确认任务。实验结果表明，我们的基于NAS的模型优于国家的最先进的说话人确认模型。
2020-08-13 cs.NE cs.SD eess.AS
Novelty Driven Evolutionary Neural Architecture Search
基于进化算法（EA）的神经架构搜索（NAS）涉及通过从头开始训练来评估每个架构，这非常耗时。由于在搜索空间中的所有架构之间的权重共享，这可以通过使用超网来估计架构的适应度来减少。然而，由于超网中的操作的协同适应，估计的适应度是非常嘈杂的，这导致NAS方法陷入局部最优。在本文中，我们提出了一种称为NEvoNAS的方法，其中NAS问题是一个多目标问题，有2个目标：（i）最大限度地提高架构的新颖性，（ii）最大限度地提高架构的适应性/准确性。新颖性搜索用于在每一代保持不同的解决方案，这有助于避免局部最优陷阱，而架构适应度使用超网计算。NSGA-Ⅱ用于寻找NAS问题的\textit{pareto optimal front}，并返回帕累托前沿中的最佳架构作为搜索到的架构。从理论上讲，NEvoNAS在2个不同的搜索空间上给出了更好的结果，同时与以前的基于EA的方法相比使用了更少的计算资源。我们论文的代码可以在https://github.com/nightstorm0909/NEvoNAS上找到。
2022-04-01 cs.NE
Diversity Handling In Evolutionary Landscape
进化算法的搜索能力取决于种群中个体间的变异程度。保持EA人口的多样性的最佳水平是必不可少的，以确保EA搜索的进展是不受过早收敛到次优解。更清楚地理解种群多样性的概念，特别是在进化搜索和早熟收敛的背景下，是设计高效进化算法的关键。为此，本文首先对EA种群多样性问题进行了全面的分析。接下来，我们提出了一个反小生境EA技术，介绍和维护建设性的多样性人口的调查。所提出的方法使用知情的遗传操作，以达到有前途的，但未开发或开发不足的领域的搜索空间，同时阻止过早的局部收敛。用遗传算法（GA）对一些标准的基准测试函数进行了仿真，取得了令人满意的结果。
2014-11-15 cs.NE
G-EvoNAS: Evolutionary Neural Architecture Search Based on Network Growth
本文提出基于网络增长的进化神经架构搜索框架 G-EvoNAS，通过逐步加深 Block 和分阶段精英剪枝降低全局搜索复杂度，仅用 0.2 GPU 天即可获得媲美最先进方法的图像分类网络。
2024-03-05 cs.NE
