Using Differential Evolution for the Graph Coloring
差分进化是为可靠和通用的函数优化而开发的。它也因其易于使用而成为其他领域的兴趣。在本文中，我们提出的问题，是否差分进化也可以用于解决组合最优化问题，特别是，对于图着色问题。为此，提出了一种混合自适应差分进化图着色算法，该算法可与目前最好的图着色算法Hertz和de Werra的Tabucol以及Galinier和Hao的混合进化算法相媲美.我们主要研究了图的3-着色。因此，Eiben等人的SAW方法的进化算法，对这类图取得了很好的效果，也被纳入这项研究。大量的实验表明，差分进化算法有望成为解决图着色问题的有力工具。
2012-11-30 cs.NE math.CO
A novel evolutionary formulation of the maximum independent set problem
我们介绍了一种新的进化制定的问题，找到一个最大的独立集的图。新的提法是基于图的独立数和它的非循环方向之间存在的关系。它将这些方向视为个体，并借助非常依赖于图的结构及其非循环方向的进化算子来进化它们。由此产生的启发式已经过测试的一些第二DIMACS实施挑战基准图，并已被发现是有竞争力的相比，其他几个也已经在这些图上测试的算法。
2003-09-22 cs.NE
Multi-Objective Evolutionary Algorithms with Sliding Window Selection for the Dynamic Chance-Constrained Knapsack Problem
针对动态机会约束背包问题，提出带滑动窗口选择的多目标进化算法，通过松弛重量约束构建三目标公式，实验证明三目标方法优于双目标方法，结合滑动窗口选择可进一步提升性能。
2024-04-12 cs.NE
Time Complexity Analysis of Randomized Search Heuristics for the Dynamic Graph Coloring Problem
我们有助于对动态问题的随机搜索算法的理论理解。我们考虑了图的经典顶点着色问题，并研究了边被添加到当前图的动态设置。然后，我们分析了随机搜索算法重新计算高质量解决方案的预期时间。（1+1）~进化算法和RLS在颜色数量有界的设置中操作，并且我们最小化冲突的数量。迭代局部搜索算法使用无界调色板，并旨在使用最小的颜色，因此，最小数量的颜色。我们确定了二分图的类别，其中重新优化与从头开始的优化一样困难，甚至比从头开始的优化更困难，即，从随机初始化开始。即使增加一条边也会导致硬对称问题。然而，对于一个算法来说很难的图类对其他算法来说很容易。在大多数情况下，我们的边界表明重新优化比从头开始优化更快。我们进一步表明，定制变异算子的部分发生变化的图形可以显着减少预期的重新优化时间。在大多数设置中，这种定制算法的预期重新优化时间与添加的边的数量成线性关系。然而，定制的算法不能在原始算法效率低下的设置中防止指数时间。
2021-05-26 cs.NE
Variations on Memetic Algorithms for Graph Coloring Problems
Univ. Bourgogne Franche-Comté（勃艮第-弗朗什-孔泰大学）；ENAC, French Civil Aviation University（法国国立民航大学）
给定颜色数的图的顶点着色问题是一个NP完全问题，求解该问题最有效的方法是混合算法，如模因算法或量子退火算法。这些混合算法在基于种群的算法中使用了强大的局部搜索。本文提出了一种基于最有效算法之一的新模因算法：Galinier和Hao（1999）提出的混合进化算法HEA。所提出的算法，表示为HEAD-Duet中的HEA-仅对两个个体的群体起作用。此外，HEAD带来了一种管理多样性的新方法。这两个主要差异极大地改善了结果，无论是在解质量还是计算时间方面。HEAD已经为流行的DIMACS基准图产生了几个很好的结果，例如\textless{} dsjc 1000.9 \textgreater{}的222种着色、\textless{} flat1000\_76\_0 \textgreater{}的81种着色以及甚至\textless{} dsjc 500.5 \textgreater{}的47种着色和\textless{} dsjc 1000.5 \textgreater{}的82种着色。
2016-12-17 cs.AI cs.NE math.OC
Hybridization of Evolutionary Algorithms
进化算法是很好的通用问题求解器，但缺乏特定领域的知识。然而，问题的具体知识可以添加到进化算法的杂交。有趣的是，进化算法的所有元素都可以杂交。在本章中，我们讨论了进化算法的三个要素：目标函数、幸存者选择算子和参数设置的混合。作为目标函数，采用了传统方法构造问题解的启发式函数。然而，这个函数被嵌入到进化算法中，作为新解决方案的生成器。此外，通过局部搜索算法对目标函数进行了改进。提出了一种新的中性选择算子，它能够处理中性解，即具有不同表示但暴露目标函数相等值的解。该运算符的目的是将进化搜索引导到搜索空间的新的未发现区域。为了避免控制进化算法行为的参数的错误设置，采用了自适应的方法。最后，将这种混合自适应进化算法应用于两个现实世界中的NP-难问题：图的3-着色和服装行业中的标记优化。大量的实验表明，这些杂交改善了进化算法的结果很多。此外，还详细分析了特定杂交的影响。
2013-01-05 cs.NE
Effects of Different Optimization Formulations in Evolutionary Reinforcement Learning on Diverse Behavior Generation
Osaka Prefecture University（大阪府立大学）
为给定的任务生成各种策略是具有挑战性的。然而，它已经被证明为主要的学习过程带来了许多资产，例如改进的行为探索。随着人们对演化计算和强化学习中解的异质性的兴趣的增长，出现了许多有前途的方法。为了更好地理解人们如何引导多个策略朝向不同的策略并从多样性中受益，我们需要进一步分析奖励信号调制和其他进化机制对所获得的行为的影响。为此，本文考虑了现有的进化强化学习框架，该框架利用多目标优化作为一种方法来获得成功的行为相关的任务，以及完成主要目标的政策。Atari游戏上的实验强调，不考虑目标的优化公式同样无法产生多样性，甚至输出在解决手头问题方面表现较差的代理，无论获得的行为如何。
2022-01-27 cs.AI cs.NE
Runtime Analysis of Single- and Multi-Objective Evolutionary Algorithms for Chance Constrained Optimization Problems with Normally Distributed Random Variables
本文从理论上研究了机会约束优化中进化算法的运行时，针对正态分布随机变量引入权衡期望成本与方差的多目标及改进凸多目标方法，克服了单目标算法的指数级优化时间，并实验验证了其有效性。
2024-08-22 cs.NE
Using 3-Objective Evolutionary Algorithms for the Dynamic Chance Constrained Knapsack Problem
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）
针对随机权重与动态容量并存的机会约束背包问题，提出独立于置信水平的三目标形式化，并用GSEMO和MOEA/D验证其优于二目标方法。
2024-04-09 cs.AI 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
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 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
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
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
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
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
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
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
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
Extremal Optimization: an Evolutionary Local-Search Algorithm
最近推出的通用启发式寻找高质量的解决方案，许多困难的优化问题进行审查。该方法的灵感来自最近的进展，在了解远离平衡现象的{ \em自组织临界性，}一个概念，介绍了描述紧急复杂的物理系统。这种方法称为{ \em极值优化}，它连续地用新的随机变量替换次优解中极不需要的变量的值。成本函数中的大的雪崩式波动从这种动态中自组织，有效地缩放障碍以探索配置空间的遥远邻域中的局部最优值，同时消除了调整参数的需要。利用用于模拟粒状介质、演化或地质动态的模型，极值优化补充了受平衡统计物理学启发的近似方法，如{ \em模拟退火}。这可能只是将对{ \em非平衡现象}的新见解系统地应用于硬优化问题的一个例子。这种方法是广泛适用的，到目前为止，已被证明具有竞争力-甚至优于-更详细的通用算法的约束优化问题的测试床多达$10^5$变量，如bipartitioning，着色，可满足性。分析一个合适的模型预测的唯一自由参数的方法，根据所有的实验结果。
2002-09-26 cs.AI 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
Search Hardness-Aware LLM-Based Problem Formulation for Expensive Simulation-Driven Design
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）；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）
针对昂贵仿真驱动设计中公式对搜索效率的影响问题，提出SHA-PF框架，基于搜索硬度定义公式搜索目标并评分，通过大语言模型相关方法搜索公式空间，实验表明该框架发现的公式能显著减少评估次数以达设计要求。
2026-07-24 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
Can Evolutionary Clustering Have Theoretical Guarantees?
Nanjing University（南京大学）
针对进化聚类缺乏理论支撑的问题，本文证明了多目标进化算法GSEMO求解四类经典聚类问题的近似性能有理论保证，且其在个体公平约束下的离散$k$-中位数聚类中也兼具目标与公平约束的理论近似保障。
2023-07-22 cs.LG 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
Evolutionary Multi Objective Optimization Algorithm for Community Detection in Complex Social Networks
大多数基于优化的社区发现方法在单目标或双目标框架中制定问题。在本文中，我们提出了两个变种的三个目标制定使用定制的非支配排序遗传算法III（NSGA-III），以找到社区结构的网络。在第一个变体NSGA-III-KRM中，我们将Kernelk means，Ratio cut和Modularity作为三个目标，而第二个变体NSGA-III-CCM将Community score，Community fitness和Modularity作为三个目标函数。在四个基准网络数据集上进行了实验。与最先进的方法以及基于分解的多目标进化算法变体（MOEA/D-KRM和MOEA/D-CCM）的比较表明，所提出的变体产生相当或更好的结果。这一点特别重要，因为增加第三个目标不会使其他两个目标的结果恶化。我们还提出了一个简单的方法来排名的Pareto解决方案，因此，提出了一个新的措施，即超体积和倒世代距离（IGD）的比率。比例越高，帕累托集越好。这一战略是特别有用的，在多目标框架，其中目标的数量是两个以上的经验实现功能的情况下。
2020-05-07 cs.NE cs.SI
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
