A Java Implementation of Parameter-less Evolutionary Algorithms
无参数遗传算法是由Harik和Lobo于1999年首次提出的，作为一种替代通常的试错法，对于每个给定的问题，找到一个可接受的遗传算法参数值的设置。从那时起，同样的策略已成功地应用于创建其他基于种群的搜索算法，如扩展紧凑遗传算法和分层贝叶斯优化算法的无参数版本。本报告描述了一种Java实现，即无参数进化算法（P-EAJava），它将几种无参数进化算法集成到一个平台中。除了对P-EAJava的简要描述外，我们还提供了关于如何使用它、如何实现新问题以及如何生成新的无参数版本的进化算法的详细说明。目前，P-EAJava已经包括简单遗传算法、扩展紧凑遗传算法、单变量边际分布算法和分层贝叶斯优化算法的无参数版本。P-EAJava的Java实现的源代码和二进制文件可以在https://github.com/JoseCPereira/2015ParameterlessEvolutionaryAlgorithmsJava上免费下载。
2015-06-26 cs.MS cs.NE
An Adaptive Genetic Algorithm for Solving N-Queens Problem
本文介绍了一种元启发式方法来解决N皇后问题，以找到最佳的解决方案，在合理的时间。采用遗传算法，并引入一种新的适应度函数作为元启发式算法。N-Queens问题的目的是在一个N × N的棋盘上放置N个皇后，使得没有皇后与其他皇后发生冲突。详细描述了染色体表示和遗传操作，如突变和交叉。结果表明，这种方法产生有前途的和令人满意的结果，在更短的时间相比，从以前的方法获得的几个大的N值。
2017-11-01 cs.NE
A Genetic Algorithm for Obtaining Memory Constrained Near-Perfect Hashing
在大多数计算机科学领域，从操作系统组件到数据库和用户界面，经常遇到从固定集合中快速检索项目的问题。我们提出了一种基于哈希表的方法，重点是最小化搜索过程中执行的比较次数和最小化总集合大小。标准的开放寻址双散列方法通过非线性变换得到改进，该非线性变换可以被参数化以确保数据在哈希表中的均匀分布。采用遗传算法确定最优参数。论文结果表明，近似完美散列比二进制搜索更快，但比完美散列使用更少的内存，对于搜索时间也很关键的内存受限应用程序来说是一个很好的选择。
2020-07-16 cs.NE
Genetic AI: Evolutionary Games for ab initio dynamic Multi-Objective Optimization
本文提出遗传人工智能方法，通过四种演化策略构建自洽演化博弈，在无外部参数和训练数据条件下实现从头动态多目标优化，并在两个决策问题上验证其普适性。
2025-05-08 cs.NE
Cost effective approach on feature selection using genetic algorithms and fuzzy logic for diabetes diagnosis
提出了一种结合遗传算法和模糊逻辑进行特征选择和分类的模型，以提高模型的性能。任何疾病的早期诊断，以较少的费用是可取的。糖尿病就是这样一种疾病。糖尿病已成为发达国家的第四大死亡原因，有大量证据表明，它在许多发展中国家和新兴工业化国家正在达到流行病的程度。在医学诊断中，模式包括可观察到的症状以及诊断测试的结果。这些测试具有各种相关的成本和风险。在模式分类的自动化设计中，所提出的系统解决了特征子集选择问题。它是一个任务，识别和选择一个有用的子集的模式表示功能从一个更大的功能集。使用模糊规则为基础的分类系统，该系统证明，以提高分类精度。
2011-03-01 cs.NE
Optimal parameter selection for unsupervised neural network using genetic algorithm
K均值快速学习人工神经网络（K-FLANN）是一种无监督的神经网络，需要两个参数：容忍度和警惕性。最佳聚类结果仅适用于指定给神经网络的最佳参数。选择这些参数的最佳值是一个主要问题。为了解决这个问题，遗传算法（GA）被用来确定最佳参数的K-FLANN发现组的多维数据。K-FLANN是一个简单的拓扑网络，其中输出节点在接收输入模式的聚类过程中动态增长。对原有的K-FLANN算法进行了改进，从匹配的节点中选出优胜节点，从而在较少的时期内形成稳定的簇。实验结果表明，遗传算法是有效的，在寻找最佳值的参数从大的搜索空间，并使用人工和合成数据集进行了测试。
2013-12-20 cs.NE
Finite State Machine Synthesis for Evolutionary Hardware
本文研究了遗传算法在有限机械综合中的应用。由此产生的遗传有限状态机的合成算法允许创建的机器具有较少的状态数，并在较短的时间内。这使得在可重构平台上的自治系统中使用面向硬件的遗传有限机综合算法成为可能。
2013-08-02 cs.FL cs.NE
Local Optimization Often is Ill-conditioned in Genetic Programming for Symbolic Regression
该研究通过奇异值分解分析遗传编程中局部优化问题的条件数，发现雅可比矩阵常呈病态，并指出限制树大小和增加非线性函数可缓解此问题。
2022-09-02 cs.NE
A Hybrid Genetic Algorithm with Type-Aware Chromosomes for Traveling Salesman Problems with Drone
针对带无人机旅行商问题（TSPD）和飞行伙伴旅行商问题（FSTSP），提出一种结合局部搜索与动态规划的混合遗传算法，通过类型感知染色体分别生成卡车与无人机序列，在多数基准实例上优于现有算法并刷新多项最优解。
2024-04-30 cs.NE
Genetic Programming visitation scheduling solution can deliver a less austere COVID-19 pandemic population lockdown
引入计算方法，以尽量减少因应对疫情（如2020年COVID-19疫情）而遭受一定程度封锁的人士的感染机会。人们使用移动电话或计算设备请求前往他们需要或感兴趣的地方，并指明一天中的大致时间：“上午”、“下午”、“晚上”或他们希望进行这些郊游的“任何时间”以及希望参观的地方。一种人工智能方法是遗传编程的一种变体，它研究所有请求，并对这些访问进行具体的时间分配，以最大限度地减少人们感染、住院和死亡的总体风险。一些替代方案，这种计算和数值实验的结果，涉及超过230人的不同年龄和背景的健康水平，在超过1700次访问，发生在连续三天。引入一种新的部分感染模型来讨论这些概念证明的解决方案，相比之下，轮询的不知情的时间调度访问的地方。计算表明，死亡和住院人数大大减少，情况得到了巨大改善。这些螺旋钻以及使用准确的感染模型进行更现实的研究，以期在现实世界中测试部署。驱动感染模型的输入是按分类学类别划分的感染程度，例如可能来自COVID-19人群检测或任何污染模型的信息。计算中假设的分类类别是按年龄组划分的可能感染水平。
2020-06-17 cs.NE physics.soc-ph
Neural Network Architecture Search with Differentiable Cartesian Genetic Programming for Regression
设计复杂的神经网络架构的能力，使有效的训练随机梯度下降已在深度学习领域的许多成就的关键。然而，开发这样的架构仍然是一个充满挑战和资源密集型的过程，充满了反复试验。总而言之，网络拓扑结构与其数据建模能力之间的关系仍然知之甚少。我们建议编码神经网络与笛卡尔遗传编程（dCGPANN）的可微变体，并提出了一个模因算法的架构设计：本地搜索与梯度下降学习网络参数，而进化算子作用于dCGPANN基因塑造网络架构，朝着更快的学习。研究这样的学习方案的一个特定实例，我们能够通过学习如何重新布线和修剪链接，适应激活函数，并为选定的回归任务引入跳过连接来改进起始前馈拓扑。演进的网络架构需要更少的空间用于网络参数，并且在给定相同的时间量的情况下，平均误差显著更低。
2019-07-03 cs.NE
Use of a genetic algorithm to find solutions to introductory physics problems
本文提出用遗传算法最小化方程中已知量与未知量差异的适应度函数，自动寻找逐步求解一维运动学入门物理问题的方程序列，并能引导学生得出答案。
2025-08-07 cs.NE
Linear Combination of Distance Measures for Surrogate Models in Genetic Programming
代理模型是一种行之有效的方法，以减少昂贵的功能评估在连续优化的数量。在遗传编程的背景下，由于复杂的基因型-表型关系，替代建模仍然是一个挑战。我们研究如何不同的基因型和表型距离的措施，可以用来学习克里格模型作为替代品。我们比较的措施，并建议使用它们的线性组合的内核。我们在一个优化框架中测试所得到的模型，使用符号回归问题实例作为基准。我们的实验表明，该模型提供了有价值的信息。首先，与无模型算法相比，该模型能够提高优化性能。此外，该模型提供了不同距离措施的贡献的信息。数据表明，表型距离测量在优化运行的早期阶段是重要的，此时可用的数据较少。相比之下，基因型的措施，如树编辑距离，贡献更多的后期阶段。
2018-07-03 cs.NE
Sub-Dividing Genetic Method for Optimization Problems
目前，最优化问题在各专业中有着越来越多的应用，但在计算上存在着一些问题.连续函数全局点的计算量大，这一点在大空间中表现得更为明显，本文提出了一种计算量小的遗传算法SGM（Sub-Dividing Genetic Method）。该方法采用基于旋转变异和交叉的细分方法，采用细分方法最小化搜索空间，采用旋转变异和交叉相结合的方法寻找全局最优解。在实验中，SGM算法在De Jong函数上实现。数值算例表明，SGM比Grefensstette、Random Value和PNG等方法具有更好的性能。
2013-07-22 cs.NE math.OC
Efficiency Enhancement of Probabilistic Model Building Genetic Algorithms
本文提出了两种不同的效率增强技术的概率建模遗传算法。第一种技术提出了使用变异算子，该算子在通过概率模型确定的子解邻域中进行局部搜索。第二种技术提出了建立和使用内部概率模型的健身随着变量相互作用的概率模型。一些后代的适应值估计使用概率模型，从而避免计算昂贵的功能评估。上述技术的可扩展性进行了分析，使用facewise模型的收敛时间和人口规模。预测了每种方法所获得的加速效果，并与实验结果进行了验证。结果表明，可加性分离的问题的主管突变算子需要O（k 0.5 logm）-其中k是积木大小，和m是积木的数量-少功能评价比selectorecombinative对应。结果还表明，使用内部概率适应度模型减少了所需的函数评估的数量低至1-10%，并产生2- 50的加速。
2004-05-18 cs.NE
Techniques for Inferring Context-Free Lindenmayer Systems With Genetic Algorithm
Lindenmayer系统（L-systems）是一种形式语法系统，其中最显着的特征是一组重写规则，用于并行替换字符串中的每个符号;通过重复这个过程，产生一个字符串序列。字符串中的一些符号可以被解释为用于仿真软件的指令。因此，序列可以用于对过程的步骤进行建模。目前，为特定过程创建L系统是由专家通过大量努力手工完成的。归纳推理问题试图从未知系统生成的字符串序列中推断出L系统;这可以被认为是从图像序列中推断的中间步骤。针对L-系统归纳推理问题，对不同的遗传算法编码方案和数学性质进行了评价和分析。在此基础上实现了一个新的工具--上下文无关L系统的对象模型推理工具PMIT-D 0 L。PMIT-D 0 L已经在28个已知的L系统上成功地进行了评估，其中字母表多达31个符号，并且在重写规则中总共有281个符号。PMIT-D 0 L甚至可以在几秒钟内推断出这些L系统中最大的一个。
2021-04-29 cs.NE
Hybrid Genetic Search for the CVRP: Open-Source Implementation and SWAP* Neighborhood
车辆路径问题是组合优化研究的热点问题之一，具有重要的实用价值和方法论意义。然而，尽管方法学取得了广泛的进展，但最近的许多研究都受到了简单有效的开源解决方案方法的限制。考虑到当前算法的复杂性，重新实现正在成为一项困难而耗时的工作，需要对细节进行广泛的关注才能真正成功。在此背景下，我们利用这篇短文的机会，介绍了一个简单的-开源-实现的混合遗传搜索（HGS）专门的能力限制车辆路径问题（CVRP）。这种最先进的算法使用与Vidal等人（2012）相同的一般方法，但也包括过去十年研究中的其他方法改进和经验教训。特别是，它包括一个称为SWAP* 的额外邻域，该邻域包括在不同路由之间交换两个客户，而无需插入到位。正如我们的研究所强调的，有效地探索SWAP* 移动对本地搜索的性能有很大的贡献。此外，正如在Uchoa et al.（2017）的经典实例上与其他最近方法的实验比较中所观察到的那样，HGS仍然是解决方案质量，收敛速度和概念简单性方面的领先元启发式算法。
2021-10-12 cs.NE
Balancing Pareto Front exploration of Non-dominated Tournament Genetic Algorithm (B-NTGA) in solving multi-objective NP-hard problems with constraints
本文提出平衡非支配锦标赛遗传算法（B-NTGA），通过引入平衡选择算子和存档机制，专注于探索 Pareto 前沿近似中的空白区域，有效解决带约束的多目标和超多目标 NP-hard 组合优化问题，实验证明其性能优于现有最先进方法。
2024-10-14 cs.NE
A Hybrid Multi-Objective Carpool Route Optimization Technique using Genetic Algorithm and A* Algorithm
Assam University（阿萨姆大学）
在发达国家和发展中国家，拼车作为控制车辆造成的声音和空气污染的一种有效解决办法，已变得相当重要。由于拼车减少了通勤者使用的车辆数量，它带来了多种好处，如缓解交通和道路拥堵，减少对停车设施的需求，减少能源或燃料消耗，最重要的是减少碳排放，从而提高城市的生活质量。本文提出了一种混合GA-A* 算法来求解具有多个冲突目标的多目标优化域中的拼车问题的最优路径。虽然遗传算法提供最优解，但A* 算法由于其在基于遗传学的任意两点之间提供最短路径的效率，增强了使用遗传算法获得的最优路径。使用GA-A* 算法获得的细化路线进一步进行优势测试，以获得基于Pareto最优的非优势解。所获得的路线最大化的利润，服务提供商通过最小化的行程和绕行距离以及上/下车成本，同时最大限度地提高汽车的利用率。该算法已在加尔各答盐湖地区实施。对于相同数量的乘客，与使用现有算法获得的相应数据相比，使用该算法获得的最优路线的路线距离和绕行距离始终较小。各种统计分析，如箱形图也证实了该算法定期执行优于现有的算法，仅使用遗传算法。
2020-07-11 cs.AI cs.NE
Automatically designing CNN architectures using genetic algorithm for image classification
近年来，卷积神经网络（CNN）在许多图像分类任务上取得了显著的成功。然而，CNN的性能高度依赖于它们的架构。对于大多数最先进的CNN，它们的架构通常是手动设计的，具有CNN和研究问题的专业知识。因此，对于在CNN方面没有扩展专业知识的用户来说，很难为他们自己感兴趣的图像分类问题设计最佳的CNN架构。在本文中，我们提出了一个自动的CNN架构设计方法，通过使用遗传算法，有效地解决图像分类任务。该算法的最大优点在于其“自动”特性，即用户在使用该算法时不需要CNN的领域知识，同时仍然可以为给定图像获得有前途的CNN架构。该算法在广泛使用的基准图像分类数据集上进行了验证，通过与最先进的同行竞争对手进行比较，这些竞争对手包括8种手动设计的CNN，7种自动+手动调整和5种自动CNN架构设计算法。实验结果表明，该算法在分类精度、参数个数和计算资源消耗等方面均优于现有的CNN结构自动设计算法。该算法还显示了与手动设计和自动+手动调整CNN的最佳分类精度非常相似的分类精度，同时消耗的计算资源少得多。
2020-03-27 cs.NE
Recombination vs Stochasticity: A Comparative Study on the Maximum Clique Problem
本研究比较了遗传算法与纯随机方法在求解最大团问题（MCP）中的有效性，发现Monte Carlo算法在稀疏图中表现更优，而遗传重组在密集图中更具潜力，挑战了传统依赖并启发未来研究。
2024-09-26 cs.NE
cMLSGA: A Co-Evolutionary Multi-Level Selection Genetic Algorithm for Multi-Objective Optimization
在实际优化中，问题的主要特征往往事先不知道。因此，有必要开发通用求解器，因为它并不总是能够为每个应用程序量身定制专门的方法。混合形式的多级选择遗传算法（MLSGA）由于其多样性优先的方法，已经显示出良好的性能，在一系列的问题，这是罕见的进化算法。为了提高其性能的一般性，本文提出了一套独特的协同进化机制，它定义的协同进化之间的竞争集体，而不是个人。这种独特的共同进化方法提供了子种群之间不太经常的交流，以及个人和集体之间不同的适应度定义。这鼓励集体更独立地采取行动，创造一个独特的次区域搜索，导致共同进化MLSGA（cMLSGA）的发展。为了测试这种方法，选择九个遗传算法来生成cMLSGA的几个变体，其在个体水平上结合了这些方法。新机制在100多个不同的功能上进行了测试，并与9个最先进的竞争对手进行了基准测试，以找到最佳的通用求解器。结果表明，协同进化方法的多样性比它们各自的性能更重要。这允许选择两个竞争算法，提高cMLSGA的通用性，而不会对任何特定问题类型的性能损失很大。与现有技术相比，所提出的方法是最通用和鲁棒的，从而使算法更有可能解决有关搜索空间的知识有限的复杂问题。
2021-04-22 cs.NE
GAAF: Searching Activation Functions for Binary Neural Networks through Genetic Algorithm
Zhejiang University（浙江大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
二进制神经网络（BNN）在边缘设备和移动系统等成本和功耗受限的领域显示出良好的应用前景。这是因为它的计算和存储需求显著减少，但代价是性能下降。为了缩小精度差距，在本文中，我们提出了一个补充激活函数（AF）之前的符号为基础的二值化，并依靠遗传算法（GA）自动搜索理想的AF。这些AF可以帮助在前向传递中从输入数据提取额外信息，同时允许在后向传递中改进梯度近似。通过我们基于遗传算法的搜索识别出了15个新的AF，而在不同的数据集和网络模型上测试时，其中大多数AF的性能都有所提高（在ImageNet上高达2.54%）。我们的方法提供了一种新的方法来设计通用和特定应用的BNN架构。我们的代码可在http://github.com/flying-Yan/GAAF上获得。
2022-06-05 cs.LG cs.NE
Quantum autoencoders via quantum adders with genetic algorithms
University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））；Basque Centre for Climate Change (BC3)（巴斯克气候变化中心（BC3））；Queen Mary University of London（伦敦玛丽女王大学）；University of Valencia（瓦伦西亚大学）；IKERBASQUE, Basque Foundation for Science（巴斯克科学基金会（IKERBASQUE））；Shanghai University（上海大学）
量子自动编码器是量子机器学习领域的最新范例，它可以增强量子技术中资源的使用。为此，考虑了内层节点比外层节点少的量子神经网络。在这里，我们提出了一个有用的近似量子加法器和量子自动编码器之间的连接。具体来说，这个链接使我们能够采用优化的近似量子加法器，获得遗传算法，用于实现各种初始状态的量子自动编码器。此外，我们还可以通过遗传算法直接优化量子自编码器。我们的方法为可控量子平台中量子自编码器的设计开辟了一条不同的道路。
2018-10-17 cs.LG cs.NE quant-ph
Predicting Friction System Performance with Symbolic Regression and Genetic Programming with Factor Variables
University of Applied Sciences Upper Austria（上奥地利应用科学大学）；Miba Frictec GmbH（米巴摩擦技术有限公司）
摩擦系统是其中摩擦用于力传递的机械系统（例如机械制动系统或自动变速箱）。为了找到最佳和安全的设计参数，工程师必须预测摩擦系统的性能。这在实际应用中尤其困难，因为它受到许多参数的影响。我们已经使用符号回归和遗传编程，为这项任务找到准确和可靠的预测模型。然而，如何纳入名义变量并不简单。特别地，独热编码是不令人满意的，因为遗传编程倾向于去除这样的指示变量。因此，我们使用所谓的因子变量来表示符号回归模型中的名义变量。我们的研究结果表明，GP是能够产生的符号回归模型预测摩擦性能的预测精度是可比的人工神经网络。具有因子变量的符号回归模型比使用独热编码的模型简单。
2021-07-19 cs.LG cs.NE
An efficient genetic algorithm for large-scale planning of robust industrial wireless networks
与办公室环境相比，工业室内环境对于无线通信来说是苛刻的，因为普遍存在的金属容易引起阴影效应并影响工业无线局域网（IWLAN）的可用性。一方面，它是昂贵的，耗时的，和无效的执行试错人工部署的无线节点。另一方面，现有的无线规划工具仅关注办公环境，使得由于较大的问题大小而难以规划IWLAN，并且所部署的IWLAN在恶劣的工业室内环境中容易受到普遍的阴影效应的影响。为了填补这一空白，本文提出了一个超尺寸模型和一个基于遗传算法的超尺寸（GAOD）算法部署大规模的鲁棒IWLANs。作为超越最先进的无线规划的进步，创建了两个全覆盖层。第二覆盖层在阴影的情况下用作冗余。同时，通过最小化接入点（AP）的数量来降低部署成本;最小AP间空间距离的硬约束避免了覆盖同一区域的多个AP同时被同一障碍物遮挡。在设计用于大规模优化的GAOD时，充分考虑了计算时间和内存占用。以基于贪婪启发式的超维算法（GHOD）和随机OD算法为基准。在两个具有小型和大型室内环境的车辆制造商中，GAOD的性能优于GHOD，其AP减少多达20%，而GHOD输出的AP比随机OD算法减少多达25%。最后，通过一个实际的部署系统验证了该模型和GAOD的有效性。
2017-08-12 cs.NE cs.NI
A Genetic Algorithm approach to Asymmetrical Blotto Games with Heterogeneous Valuations
布洛托博弈是一种流行的多维战略资源分配模型。两名玩家在拍卖环境中分配不同战场的资源。虽然人们对预算平等的竞争有了很好的理解，但对资源不对称下的战略行为却知之甚少。我们引入了一个遗传算法，搜索启发式的启发，从生物进化，解释为社会学习，来解决这个问题。大多数绩效策略被结合起来，创造出更多的绩效策略。突变允许算法有效地扫描可能策略的空间，并考虑各种各样的偏差。我们证明了我们的遗传算法收敛到对称Blotto博弈的解析纳什均衡。我们提出的解决方案的概念，它提供了不对称的Blotto游戏。它特别注意到“游击战”战略的出现，这与经验和实验结果是一致的。资源较少的参与者学会集中资源来补偿竞争的不对称性。当局中人对战场的评价不一致时，对抗策略和竞价焦点是在均衡中得到的。这些特征与实证和实验结果相一致，并为其存在提供了学习基础。
2021-03-26 cs.NE econ.GN q-fin.EC
Larger Offspring Populations Help the $(1 + (λ, λ))$ Genetic Algorithm to Overcome the Noise
HSE University（高等经济大学）；Skoltech（斯科尔科沃科技学院）；The University of Adelaide（阿德莱德大学）；Laboratoire d’Informatique (LIX)（信息学实验室（LIX））；CNRS（法国国家科学研究中心）；École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）
研究分析了 $(1+(λ,λ))$ 遗传算法在噪声环境下的鲁棒性，发现其不仅未因中间选择和交叉修复机制而降低鲁棒性，反而在多数基准问题上比 $(1+λ)$ 进化算法更抗噪。
2023-05-08 cs.AI cs.NE
A Tribe Competition-Based Genetic Algorithm for Feature Selection in Pattern Classification
Northwestern Polytechnical University（西北工业大学）
特征选择一直是模式识别中的关键步骤，其中最常用的是进化算法，如遗传算法（GA）。然而，在各种遗传算法中使用的单独编码方案要么会对解决方案造成偏差，要么需要预先指定数量的特征，因此可能导致不太准确的结果。提出了一种基于部落竞争的遗传算法（TCbGA）用于模式分类中的特征选择。个体的群体被分成多个部落，并且修改初始化和进化操作以确保每个部落中所选特征的数量遵循高斯分布。因此，每个部落都专注于探索解决方案空间的特定部分。同时，部落竞争被引入到进化过程中，这使得获胜的部落，产生更好的个人，以扩大其规模，即有更多的个人搜索他们的解决方案空间的一部分。因此，该算法避免了对解决方案的偏见和对预先指定的特征数量的要求。我们已经评估了我们的算法对几个国家的最先进的特征选择方法在20个基准数据集。我们的研究结果表明，建议TCbGA算法可以更有效地确定最佳的特征子集，产生更准确的模式分类。
2017-04-28 cs.LG cs.NE
Java Implementation of a Parameter-less Evolutionary Portfolio
的Java实现的无参数进化算法的投资组合。无参数进化投资组合实现了一个启发式，执行自适应选择的参数少的进化算法，根据性能标准，在运行时测量。目前，该组合包括三种无参数进化算法：无参数单变量边际分布算法、无参数扩展紧致遗传算法和无参数分层贝叶斯优化算法。初步的实验表明，无参数的投资组合可以解决各种类型的问题，而不需要任何事先的参数设置技术，并增加计算工作量，可以被认为是可以接受的。
2015-06-26 cs.MS cs.NE
Semantic Preserving Adversarial Attack Generation with Autoencoder and Genetic Algorithm
University of Queensland（昆士兰大学）；Federal University Kashere（卡谢雷联邦大学）
广泛使用的深度学习模型被发现具有较差的鲁棒性。微小的噪音可以欺骗最先进的模型做出错误的预测。虽然有很多高性能的攻击生成方法，但大多数都是直接对原始数据进行扰动并使用L_p范数进行度量，这会破坏数据的主要结构，从而产生无效攻击。在本文中，我们提出了一个黑盒攻击，而不是修改原始数据，修改的数据提取的自动编码器的潜在特征，然后，我们在语义空间中测量噪声，以保护数据的语义。我们在MNIST和CIFAR-10数据集上训练了自动编码器，并使用遗传算法找到了最佳对抗扰动。我们的方法在MNIST和CIFAR-10数据集的前100个数据上实现了100%的攻击成功率，并且比FGSM具有更小的扰动。
2022-08-25 cs.CR cs.LG cs.NE
Continuous Cartesian Genetic Programming based representation for Multi-Objective Neural Architecture Search
INAOE（国家天体物理光学与电子研究所）
提出基于连续 CGP 的块链式 CNN 表示，并结合多种 MOEA 实现多目标 NAS，在 CIFAR-10/100 上取得兼具准确率与低复杂度的竞争力结果。
2023-06-05 cs.CV cs.NE
Hierarchical Automatic Power Plane Generation with Genetic Optimization and Multilayer Perceptron
Carnegie Mellon University（卡内基梅隆大学）；Cadence Design Systems（楷登电子）
提出了一种多层电源层自动生成方法，以加速印制电路板（PCB）的设计。在PCB设计中，虽然已经开发了自动求解器来预测IR压降、电源完整性和信号完整性等重要指标，但电源层本身的生成仍然在很大程度上依赖于费力的手动方法。我们的自动电源平面生成方法是基于遗传优化结合多层感知器，并能够自动生成电源平面在不同的困难程度的问题。我们的方法GOMLP由一个外环遗传优化器（GO）和一个内环多层感知器（MLP），自动生成电源平面。我们的方法的关键要素包括轮廓检测，功能扩展，距离测量，使岛屿最小化复杂的电源平面生成。我们将我们的方法与基于A* 的基线解决方案进行比较。A* 方法由连续的岛生成和合并过程组成，该过程可能产生不太理想的解决方案。我们的实验结果表明，在单层电源平面问题，我们的方法优于A* 在71%的问题与不同程度的电路板布局的难度。我们进一步描述H-GOMLP，它扩展GOMLP多层电源平面问题，使用层次聚类和网络相似性的基础上的Hausdorff距离。
2022-11-02 cs.LG cs.NE
Bimodal Distribution Removal and Genetic Algorithm in Neural Network for Breast Cancer Diagnosis
乳腺癌的诊断在过去已经得到了很好的研究。已经设计了多个线性规划模型来近似细胞特征和肿瘤恶性程度之间的关系。然而，这些模型在处理非线性相关性方面能力较差。相反，神经网络在处理复杂的非线性相关性方面是强大的。因此，用基于神经网络的模型来处理这种癌症诊断问题肯定是有益的。特别地，在神经网络训练过程中引入偏差被认为是提高训练效率的重要手段。在许多流行的引入人工偏差的方法中，双峰分布去除（BDR）在实现上具有理想的效率改进结果和公平的简单性。然而，本文研究了BDR对目标癌症诊断分类问题的有效性，并表明BDR过程实际上会对分类性能产生负面影响。此外，本文还探索了遗传算法作为特征选择的有效工具，并与没有任何特征选择的基线模型相比，产生了明显更好的结果
2020-02-20 cs.CV cs.LG cs.NE
A comparison of different types of Niching Genetic Algorithms for variable selection in solar radiation estimation
Universidad Nacional de Tucumán（图库曼国立大学）；Universidad Tecnológica Nacional（国家技术大学）
变量选择问题通常存在多个解决方案，有时，值得找到尽可能多的解决方案。将进化算法应用于这类问题被证明是找到最优解的最佳方法之一。此外，还有一些变体被设计为找到所有或几乎所有的局部最优解，称为小生境遗传算法（NGA）。有几种不同的NGA方法开发，以实现这一任务。目前的工作比较了八种不同的小生境技术的行为，适用于分布在阿根廷图库曼的四个气象站的气候数据库。目标是找到不同的输入变量集，这些输入变量集已被估计方法用作输入变量。基于低估计误差和低分散误差，以及大量不同结果和低计算时间，对最终结果进行了评估。进行了第二个实验，以研究该方法识别关键变量的能力。最好的结果是使用确定性拥挤。相比之下，稳态最差最相似和概率拥挤显示出良好的结果，但更长的处理时间和能力，以确定关键因素。
2020-02-14 cs.AI cs.NE
Genetic Algorithms for Multiple-Choice Problems
本文研究了如何利用特定问题的知识来增强遗传算法对多选择优化问题的求解能力，结果表明，这些信息可以显著提高算法的性能，但信息的选择和信息的收录方式是成功的重要因素。考虑选择问题。2第一个问题是建立一个可行的护士名册，考虑尽可能多的请求。3在第二个问题中，商铺会根据限制及整体收益最大化的原则分配至商场内的位置。选择遗传算法是因为它们具有众所周知的鲁棒性和解决大型复杂离散优化问题的能力。然而，对文献的调查揭示了进一步研究将约束纳入遗传算法框架的通用方法的空间。因此，这项工作的主题是平衡解决方案的可行性和成本。特别是，与分层子种群的合作合作进化，利用问题结构的修复方案和具有自调整解码器功能的间接遗传算法被认为是有前途的方法。研究开始于将标准遗传算法应用于问题并解释由于上位性而导致的这种方法的失败。为了克服这个问题，以各种方式添加问题特定信息，其中一些是为了增加找到的可行解的数量，而另一些则是为了提高这些解的质量。以及关于使用每个算子的根本原因的理论讨论，对多种数据进行了广泛的计算实验，结果表明，间接方法对问题结构的依赖较小，更容易实现，解决方案质量更优。
2010-04-19 cs.AI cs.CE cs.NE
A Fresh Approach to Evaluate Performance in Distributed Parallel Genetic Algorithms
本研究提出一种基于数学模型的新方法，用于评估多核集群上多种群并行遗传算法的性能，可量化分析核心数、迁移策略等因素的影响，为性能评估与局限性分析提供新工具。
2021-06-18 cs.DC cs.NE
Symbolic regression based genetic approximations of the Colebrook equation for flow friction
在水力学中广泛使用的流体摩擦的Colebrook方程隐含地涉及输入参数;雷诺数和内管表面的相对粗糙度，与输出未知参数;流体摩擦因子。本文利用人工智能的能力生成了Colebrook方程的几个显式近似，这种能力可以使内部模式以显式方式连接输入和输出参数，而不知道它们的性质或连接它们的物理定律，而只知道原始数字。所使用的遗传编程工具不知道基于计算昂贵的对数定律的Colebrook方程的结构的事实被用于获得对计算要求较低但也足够精确的近似的更好结构。所有生成的近似都具有低计算成本，因为它们包含有限数量的对数形式，尽管用于输入参数的归一化或加速，但它们也足够准确。在最佳情况下，仅用两种对数形式，摩擦系数的相对误差可达0.13%。由于第二对数可以通过Pade近似精确地近似，因此实际上仅使用一个对数也获得相同的误差。
2018-08-29 cs.CE cs.NE
Estimating Random Delays in Modbus Network Using Experiments and General Linear Regression Neural Networks with Genetic Algorithm Smoothing
Kalasalingam University（卡拉萨林加姆大学）；University of Federico II（那不勒斯费德里科二世大学）
本文提出利用实验和GRNN模型估计Modbus网络中的随机延迟，通过遗传算法优化平滑参数以减少预测误差，验证了该方法在预测延迟方面的有效性。
2015-09-21 cs.NE cs.SY eess.SY
Optimizing Feature Selection with Genetic Algorithms: A Review of Methods and Applications
University of Kurdistan（库尔德斯坦大学）；Soran University（索兰大学）
本文综述了基于遗传算法的特征选择技术，指出混合GA方法（如GA-Wrapper和HGA-神经网络）通过避免局部最优和降低复杂性，显著提升了模型性能，并探讨了未来研究方向。
2024-09-05 cs.LG cs.NE
Parameter-less hierarchical BOA
无参数分层贝叶斯优化算法（hBOA）使hBOA的使用，而不需要调整参数来解决每个问题的实例。hBOA中有三个关键参数：（1）选择压力，（2）限制性比赛的窗口大小，以及（3）人口规模。虽然选择压力和窗口大小都影响hBOA性能，但性能应保持低阶多项式，并对这两个参数进行标准选择。然而，没有一个标准的人口规模可以解决所有感兴趣的问题，因此必须以不同的方式消除人口规模。为了消除种群规模，无参数hBOA采用无参数遗传算法的种群规模技术。基于现有的理论，无参数的hBOA应该能够解决几乎可分解和分层的问题，在二次或次二次函数的数量评估，而不需要设置任何参数。提出了一些实验来验证无参数hBOA的可扩展性。
2004-02-15 cs.AI cs.NE
Genetic-algorithm-optimized neural networks for gravitational wave classification
Max-Planck-Institut für Gravitationsphysik（马克斯·普朗克引力物理研究所）；Leibniz Universität Hannover（汉诺威莱布尼茨大学）；University of Rhode Island（罗德岛大学）
引力波探测策略基于一种称为匹配滤波的信号分析技术。尽管匹配滤波取得了成功，但由于其计算成本，最近人们对开发用于信号检测的深度卷积神经网络（CNN）感兴趣。设计这些网络仍然是一个挑战，因为大多数程序采用试错策略来设置超参数值。提出了一种基于遗传算法的超参数优化方法。我们比较了六种不同的GA变体，并探索了GA优化的适应度得分的不同选择。我们表明，当初始超参数种子值远离良好的解决方案时，GA可以发现高质量的体系结构，并改进已经良好的网络。例如，当从George和Huerta提出的架构开始时，在20维超参数空间上优化的网络的可训练参数减少了78%，而我们的测试问题的准确性提高了11%。如果问题背景（例如噪声的统计特性、信号模型等）发生变化，需要重建网络，则使用遗传算法优化来改进现有网络应该特别有用。在我们所有的实验中，我们发现与种子网络相比，GA发现的网络明显不那么复杂，这表明它可以用来修剪浪费的网络结构。虽然我们将注意力限制在CNN分类器上，但我们的GA超参数优化策略可以应用于其他机器学习设置。
2021-04-20 cs.LG cs.NE gr-qc
Reducing base drag on road vehicles using pulsed jets optimized by hybrid genetic algorithms
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Spanish National Institute for Aerospace Technology (INTA)（西班牙国家航空航天技术研究所）
本文通过混合遗传算法优化脉冲喷射，实现道路车辆基础阻力的显著降低，减少约8.8%的阻力并提高能效。
2026-02-09 cs.NE math.OC physics.flu-dyn
NSGA-Net: Neural Architecture Search using Multi-Objective Genetic Algorithm
Michigan State University（密歇根州立大学）
本文介绍了NSGA-Net --一种用于神经结构搜索（NAS）的进化方法。NSGA-Net的设计考虑了三个目标：（1）考虑多个和相互冲突的目标的过程，（2）平衡潜在神经网络架构空间的探索和开发的有效过程，以及（3）在一次运行中找到一组不同的权衡网络架构的过程。NSGA-Net是一种基于种群的搜索算法，其在三个步骤中探索潜在神经网络架构的空间，即，基于来自手工制作的架构的先验知识的种群初始化步骤，包括架构的交叉和变异的探索步骤，以及最后的利用步骤，该利用步骤利用存储在被评估的神经架构的整个历史中的隐藏的有用知识，贝叶斯网络实验结果表明，结合最小化误差度量和计算复杂性的双重目标，如FLOPs所测量的，允许NSGA-Net找到有竞争力的神经架构。此外，NSGA-Net在CIFAR-10数据集上实现的出错率与其他最先进的NAS方法相当，同时使用数量级更少的计算资源。这些结果令人鼓舞，并显示出在各种深度学习范式中进一步使用EC方法的前景。
2019-04-18 cs.CV cs.LG cs.NE
Modified Genetic Algorithm for Feature Selection and Hyper Parameter Optimization: Case of XGBoost in Spam Prediction
The University of Jordan（约旦大学）
提出一种改进遗传算法，用于在不平衡数据集上同时进行降维和超参数优化，结合XGBoost分类器构建垃圾信息预测模型，在准确率和特征缩减上优于传统方法及BERT等模型。
2023-10-30 cs.AI cs.CR cs.LG
