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
Evolutionary Algorithm for Graph Coloring Problem
图着色问题是计算机科学中研究最多的NP-HARD问题之一。给定一个图，任务是为所有顶点分配一种颜色，使得共享一条边的顶点都不会接收到相同的颜色，并且使用的颜色数量最少。不同的启发式，元启发式，机器学习和混合求解方法已被应用到获得的解决方案。为了解决这个问题，我们使用变异的进化算法。为此，我们引入二进制编码的图着色问题。这种二进制编码有助于我们的变异，评估，免疫系统和合并颜色容易，也减少着色动态。在传统的图着色进化算法中，采用k-着色方法，反复运行进化算法直到达到最低可能值。本文从色数的理论上界，即最大出度+1出发，在进化过程中，对部分颜色进行弃用，以动态减少每一代的颜色数。我们测试了几个标准的DIMACS基准，并比较了现有的论文。最大结果与预期色度相同，少数数据集大于预期色度数
2021-11-17 cs.NE
Exploring Maximum Entropy Distributions with Evolutionary Algorithms
Freie Universitaet Berlin（柏林自由大学）
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。
2020-02-05 cs.IT cs.LG cs.NE
Analysis of Evolutionary Diversity Optimisation for the Maximum Matching Problem
该文针对最大匹配问题的进化算法多样性提升需求，对$(μ+1)$-EA和$2P-EA_D$在完全二部图、路径场景下的运行时间开展理论与实证分析，得出多场景运行时间界并验证算法性能。
2024-04-17 cs.NE
A Denoising Diffusion-Based Evolutionary Algorithm Framework: Application to the Maximum Independent Set Problem
提出DDEA框架，将去噪扩散模型与进化算法结合，利用预训练模型进行种群初始化和基于模仿学习的重组算子，在最大独立集问题上显著超越DIFUSCO和Gurobi。
2025-10-08 cs.DM cs.NE
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
Evolutionary Optimization for Proactive and Dynamic Computing Resource Allocation in Open Radio Access Network
在开放无线接入网（O-RAN）中，为了节省计算资源、提高计算资源利用率、降低时延，迫切需要采用智能技术来实现计算资源的自动分配。然而，现有的问题公式来解决这个资源分配问题是不合适的，因为它定义的能力利用率的资源在一个不适当的方式，往往会导致很大的延迟。此外，现有的问题只试图解决基于贪婪搜索，这是不理想的，因为它可能陷入局部最优。考虑到这些，提出了一个新的配方，更好地描述了这个问题。此外，作为一个著名的全球搜索Meta启发式方法，进化算法（EA）的设计量身定制的解决新的问题制定，找到一个资源分配计划，主动和动态地部署计算资源，以处理即将到来的交通数据。在多个真实数据集和新生成的具有更多属性的人工数据集上进行的实验研究表明，在不同的参数设置下，该算法明显优于基线贪心算法.此外，实验研究采取了建议EA和两个变种，以表明不同的算法选择的影响。
2022-01-12 cs.NE cs.NI
Evolutionary Algorithms for the Chance-Constrained Knapsack Problem
进化算法已应用于广泛的随机问题。受现实世界中的问题，约束违反具有破坏性的影响，本文认为机会约束背包问题（CCKP），这是一个变化的二进制背包问题。该问题的目标是在小概率违反背包容量界的约束下，最大化所选物品的利润。为了解决机会约束，我们介绍了如何构造代理函数，通过应用著名的偏差不等式，如切比雪夫不等式和Beschoff界。此外，我们研究了几种确定性方法的性能，并引入了一个单目标和多目标的进化算法来解决CCKP。在实验部分，我们评估和比较确定性方法和进化算法在广泛的实例。我们的实验结果表明，多目标进化算法优于其单目标制定的所有情况下，性能优于确定性方法，根据计算时间。此外，我们的调查指出，在何种情况下，有利于切比雪夫的不等式或Beskoff界处理CCKP。
2021-07-30 cs.NE
Multitask Pareto Optimization for Monotone Submodular Problems with Dynamic Constraints
Adelaide University（阿德莱德大学）
针对带动态背包约束的单调子模优化问题，本文提出多任务帕累托优化方法，通过任务间解共享提升性能，经理论分析与最大覆盖问题实验验证了其有效性。
2026-08-14 cs.NE
Robust Constrained Multi-objective Evolutionary Algorithm based on Polynomial Chaos Expansion for Trajectory Optimization
提出了一种基于约束多目标进化算法（MOEA）和非侵入多项式混沌展开（PCE）的集成优化方法，用于求解时间序列动态下的鲁棒多目标优化问题。在这样的问题中的约束是难以处理的，不仅是因为动态约束的数量乘以离散化的时间步长，而且还因为它们中的每一个都是概率的。该方法通过PCE将一个鲁棒性问题改写为确定性问题，然后通过MOEA依次处理生成的约束，包括种群生成、轨迹生成和评价.作为算例，对考虑风场不确定性的超音速运输机着陆轨迹进行了优化设计。结果证明了约束值对优化解集和相应轨迹的定量影响，提出了鲁棒的飞行控制。
2022-05-23 cs.NE
Optimizing Monotone Chance-Constrained Submodular Functions Using Evolutionary Multi-Objective Algorithms
The University of Adelaide（阿德莱德大学）；School of Computer and Mathematical Sciences（计算机与数学科学学院）；Optimisation and Logistics（优化与物流（机构））
该研究首次分析了基于帕累托优化的进化多目标算法求解机会约束子模函数的运行时间，证明GSEMO在特定条件下可达到与贪心算法相当的性能保证，并通过实验验证进化多目标算法在相关网络问题上性能显著优于现有贪心算法。
2024-11-01 cs.LG cs.NE
Archive-based Single-Objective Evolutionary Algorithms for Submodular Optimization
The University of Adelaide（阿德莱德大学）；TU Dortmund University（多特蒙德工业大学）
针对约束子模优化的单目标算法易受局部最优影响的问题，提出基于(1+λ)-EA和(1+1)-EA的、带逐步扩大可行域机制的单目标进化算法，首次证明单目标算法可有效求解多类约束子模最大化问题。
2024-06-19 cs.AI cs.NE
Benchmark Problems for CEC2021 Competition on Evolutionary Transfer Multiobjectve Optimization
进化迁移多目标优化（ETMO）是演化计算领域的一个研究热点，其理论基础是在相关优化练习之间进行知识学习和迁移，从而提高其他优化练习的效率。此外，从人类解决问题的能力的角度来看，传输优化的潜力被认为是无价的，在这种能力中，知识的收集和重用是本能的。为了促进ETMO算法的研究，基准问题对ETMO算法分析具有重要意义，它可以帮助设计者或实践者更好地了解ETMO算法的优缺点。因此，本报告提出了40个基准函数，涵盖了各种配方模型、各种PS几何形状和PF形状、大规模变量、动态变化的环境等知识转移情况下的各种类型和属性。所有基准函数都已用JAVA代码实现，可从以下网站下载：https://github.com/songbai-liu/etmo。
2021-10-15 cs.NE
Evolutionary Multi-Objective Algorithms for the Knapsack Problems with Stochastic Profits
进化多目标算法在求解各种随机组合优化问题时已被广泛证明是成功的。机会约束优化在复杂的现实世界场景中发挥着重要作用，因为它允许决策者考虑环境的不确定性。我们考虑一个版本的背包问题的随机利润，以保证一定程度的信心，在利润的解决方案。我们介绍了多目标制定的利润机会约束背包问题，并设计了三个双目标的适应度评价方法，工作独立的特定的置信水平所需的。我们使用著名的多目标进化算法GSEMO和NSGA-II评估我们的方法。此外，我们引入了一个过滤方法GSEMO，提高了最终人口的质量定期删除某些解决方案的临时人口的基础上，他们的置信水平。我们展示了我们的方法的有效性，在两种设置的背包项目有固定的统一的不确定性和不确定性，与项目的预期利润呈正相关的几个基准。
2023-03-03 cs.NE
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
Enhancing Decision Space Diversity in Multi-Objective Evolutionary Optimization for the Diet Problem
Universidade Federal de Ouro Preto（欧鲁普雷图联邦大学）
本文提出了一种基于汉明距离的改进方法，用于增强多目标进化优化在饮食问题中的决策空间多样性，通过优化选择机制提升解的多样性，同时保持目标空间性能。
2025-08-09 cs.NE
Wasserstein Evolution : Evolutionary Optimization as Phase Transition
University of Science and Technology of China（中国科学技术大学）；Nankai University（南开大学）；National University of Singapore（新加坡国立大学）；Northwestern University（西北大学）；Guizhou University（贵州大学）；Northeastern University（东北大学）；Hong Kong Baptist University（香港浸会大学）
Wasserstein Evolution通过将进化优化视为物理相变过程，建立自由能Wasserstein梯度流理论，实现探索与利用的平衡，提升求解多样性和稳定性。
2026-01-19 cs.NE
Infrastructure Deployment in Vehicular Communication Networks Using a Parallel Multiobjective Evolutionary Algorithm
针对车载通信网络路侧基础设施选址问题，提出兼顾服务质量与成本的多目标建模方法，采用多目标进化算法求解，在马拉加真实场景实验中性能优于现有先进算法。
2025-01-17 cs.NE cs.NI
Evolutionary Algorithms for Solving Unconstrained, Constrained and Multi-objective Noisy Combinatorial Optimisation Problems
本研究实证评估了多种进化算法在噪声组合优化问题中的表现，发现 UMDA 及其变体在无约束、约束及多目标场景下均优于其他算法，展现出高度的鲁棒性和有效性。
2021-10-05 cs.NE
On the Use of Bi-Objective Evolutionary Algorithms for the Stochastic MKP under Dynamic Constraints
Adelaide University（阿德莱德大学）
本文研究了在动态约束下具有机会约束的随机MKP，采用双目标优化方法平衡利润最大化和概率容量满足，对比四种主流多目标进化算法在不同不确定性水平和动态变化下的表现。
2026-04-13 cs.NE
Towards Multi-Objective High-Dimensional Feature Selection via Evolutionary Multitasking
针对现有基于EMT的特征选择方法在知识获取、利用和迁移上的局限，本文提出多目标高维特征选择框架MO-FSEMT，通过构建多辅助任务、独立种群与多求解器优化及特定知识迁移机制，在26个数据集上取得优于现有方法的性能。
2024-01-03 cs.NE
FormuEvo: LLM-Guided Evolution for Discovering Solver-Efficient Mixed-Integer Programming Formulations
College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）；Tsinghua University（清华大学）
FormuEvo是LLM引导的进化框架，将MIP模型设计转化为符号空间的进化优化，结合求解器感知诊断与结构化内存，发现的MIP模型性能远超专家设计及现有LLM方法，求解加速最高达5.5倍且知识可跨场景迁移。
2026-10-06 cs.CL cs.NE
A Systematic Study on the Design of Odd-Sized Highly Nonlinear Boolean Functions via Evolutionary Algorithms
本文系统评估多种进化算法设计奇数规模高非线性布尔函数，发现遗传编程最优，结合局部搜索与旋转对称约束的遗传算法可达到非线性度241。
2025-04-24 cs.CR cs.NE
On the use of evolutionary optimization for the dynamic chance constrained open-pit mine scheduling problem
Machine Learning and Optimisation, School of Computer Science and Information Technology, Adelaide University（机器学习与优化，计算机科学与信息学院，阿德莱德大学）
本文提出一种双目标进化方法，用于解决动态机会约束露天矿开采调度问题，通过最大化预期折现利润和最小化标准差，有效应对动态变化和不确定性。
2026-10-07 cs.AI 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
Half a Dozen Real-World Applications of Evolutionary Multitasking, and More
Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）；Nanyang Technological University (NTU)（南洋理工大学）；Dalian University of Technology（大连理工大学）
直到最近，在演化计算中很少探索在不同的优化问题实例（或任务）之间转移进化技能的潜力。进化多任务（EMT）的概念填补了这一空白。它解锁了人口的隐含并行性，以共同解决一组任务，从而为他们之间的技能转移创造了途径。尽管还处于早期阶段，但EMT的想法已经开始在一系列现实世界的应用中显示出希望。在最新进展的背景下，本文的贡献是双重的。首先，在文献中的EMT的几个面向应用的探索的回顾，根据各自的应用领域的作品被同化成六个大类。这六个类别中的每一个都阐述了多任务的基本动机，并包含了一个代表性的实验研究（参考文献）。第二，提供了一套食谱，展示了如何在EMT的新视角下改造具有普遍意义的问题表述，即那些跨越不同学科的问题表述。我们的讨论强调了EMT的许多实际用例，旨在激发未来的研究，为现实世界的部署制定新的算法。
2022-03-22 cs.AI cs.ET cs.NE
