Frequency Fitness Assignment: Optimization without Bias for Good Solutions can be Efficient
Hefei University(合肥学院);Hochschule Zittau/Görlitz(齐陶/格尔利茨应用技术大学)
适应度分配过程将候选解决方案的特征(例如目标值)转换为标量适应度,然后将其作为选择的基础。在频率适应度分配(FFA)下,对应于目标值的适应度是其在选择步骤中的遭遇频率,并且受到最小化。FFA创建的算法不会偏向于更好的解决方案,并且在目标函数值的所有内射变换下都是不变的。我们研究了FFA对两个理论启发的最先进的EA,贪婪(2+1)GA和自调整(1+(lambda,lambda))GA的性能的影响。FFA在一些对他们来说很难的问题上显着提高了他们的性能。在我们的实验中,一个基于FFA的算法表现出的平均运行时间似乎是多项式的理论为基础的基准问题,在我们的研究中,包括陷阱,跳跃和高原。我们提出了两种混合的方法,使用直接和基于FFA的优化,并发现它们表现良好。所有基于FFA的算法在可满足性问题上的表现也优于任何纯算法变体。
2022-05-25 cs.AI cs.NE math.CO
Octopus Inspired Optimization (OIO): A Hierarchical Framework for Navigating Protein Fitness Landscapes
College of Communication Engineering, Jilin University(吉林大学通信工程学院);College of Mathematics and System Science, Xinjiang University(新疆大学数学与系统科学学院);Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University(香港理工大学工业及系统工程学系);Tsinghua University-Peking University Joint Center for Life Sciences, Tsinghua University(清华大学-北京大学生命科学联合中心)
OIO通过模仿章鱼神经架构,提出一种分层优化框架,有效解决蛋白质适应度景观中的探索与利用问题,实现全局搜索与局部细化的统一,优于15种竞争算法。
2025-11-23 cs.NE
Overcoming Deceptiveness in Fitness Optimization with Unsupervised Quality-Diversity
Imperial College London(伦敦帝国学院)
针对传统优化算法易陷入欺骗性适应度地形且QD算法依赖人工特征的问题,提出无监督QD框架AURORA-XCon,结合对比学习与周期性灭绝事件,在无需领域知识下高效解决优化问题并显著超越基线。
2025-04-04 cs.NE cs.RO
A Flexible Fitness Function for Community Detection in Complex Networks
来自文献的大多数社区发现算法用作最小化给定\textit{fitness function}的优化工具,同时假设每个节点属于单个社区。由于没有什么是社区的硬概念,大多数建议的适应度函数都集中在一个特定的定义上。因此,这些功能并不总是导致与实践中观察到的分区相对应的分区。本文提出了一种新的灵活的适应度函数,允许识别具有不同特征的社区。这种灵活性是通过采用一种名为cob-aiNet [C]的免疫优化算法来评估的,以识别一组基准网络中的不相交和重叠社区。结果表明,所得到的分区比通过模块度函数的优化所得到的分区更接近地面实况。
2014-06-10 cs.NE cs.SI physics.soc-ph
Frequency Fitness Assignment: Making Optimization Algorithms Invariant under Bijective Transformations of the Objective Function Value
Hefei University(合肥学院)
在频率适应度分配(FFA)中,目标值对应的适应度是其在适应度分配步骤中的遭遇频率,并且受到最小化。FFA使得优化过程在目标函数值的双射变换下不变。在s维的TwoMax、Jump和Trap函数上,具有1/s速率的标准突变的经典(1+1)-EA可以具有以s为指数的预期运行时间。在我们的实验中,(1+1)-FEA,相同的算法,但使用FFA,表现出平均运行时间,似乎规模为$s^2\ln{s}$。由于Jump和Trap是OneMax的双射变换,因此它在所有三个上的行为都是相同的。在OneMax,LeadingOnes和Plateau问题上,它似乎比(1+1)-EA慢了一个以s为单位的线性因子。在W-Model和MaxSat实例上,(1 + 1)-FEA的性能比(1+1)-EA好得多。我们进一步验证了双射不变性,通过应用Md5校验和计算作为变换到上述一些问题,并产生相同的行为。最后,我们表明,FFA可以提高性能的memetic算法的车间调度。
2020-10-15 cs.AI cs.NE math.CO
Set-based Multiobjective Fitness Landscapes: A Preliminary Study
Univ. Nice Sophia-Antipolis(尼斯索菲亚-安提波利斯大学);INRIA Lille(法国国家信息与自动化研究所里尔分所);Université Lille 1(里尔第一大学);LIFL(里尔基础信息实验室);CNRS(法国国家科学研究中心)
适应度景观分析旨在了解给定优化问题的几何形状,以便设计更有效的搜索算法。然而,有一个非常少的知识景观的多目标问题。在这项工作中,根据Zitzler等人(2010)的最新提议,我们将多目标优化视为一个集合问题。然后,我们给出了基于集合的多目标适应度景观的一般定义。对具有客观相关性的多目标NK景观进行了基于实验集的适应度景观分析。我们的目的是适应和加强综合设计的集合为基础的多目标搜索方法,由一个先验分析相应的集合问题的属性。
2012-07-18 cs.AI cs.NE
Dynamic Impact for Ant Colony Optimization algorithm
Intel Corporation(英特尔公司)
提出了一种蚁群优化算法的扩展方法--动态影响法。Dynamic Impact旨在解决具有挑战性的优化问题,这些问题在资源消耗和适应度之间具有非线性关系,与优化解决方案的其他部分有关。针对复杂的现实世界的微芯片制造工厂生产车间优化(MMPPFO)问题,以及理论基准多维背包问题(MKP),该方法进行了测试。MMPPFO是一个非平凡的优化问题,由于解决方案的适应值的性质依赖于收集的晶圆批次没有任何个别的晶圆批次的优先级。单目标优化的适应度值提高了33.2%。此外,小复杂度的MKP基准实例已被解决到100%的成功率,其中观察到高度的解决方案稀疏性,并且大实例显示平均差距提高了4.26倍。算法实现在小型和大型数据集以及稀疏优化问题上表现出卓越的性能。
2020-02-10 cs.NE
Denoising Autoencoders for fast Combinatorial Black Box Optimization
分布估计算法(EDA)需要灵活的概率模型,可以有效地学习和采样。自动编码器(AE)是具有这些期望属性的生成随机网络。我们集成了一种特殊类型的AE,去噪自动编码器(DAE),到EDA和评估DAE-EDA的性能上的几个组合优化问题与一个单一的目标。我们评估适应度评估的数量以及所需的CPU时间。我们比较结果的性能贝叶斯优化算法(BOA)和RBM-EDA,另一种EDA是基于生成神经网络,已被证明具有竞争力的BOA。对于所考虑的问题实例,DAE-EDA比BOA和RBM-EDA快得多,有时是几个数量级。适应性评价的数量高于BOA,但与RBM-EDA竞争。这些结果表明,DAE可以是有用的工具,低,但不可忽略的健身评估成本的问题。
2015-09-21 cs.NE
A Novel Surrogate-assisted Evolutionary Algorithm Applied to Partition-based Ensemble Learning
Centrum Wiskunde & Informatica(荷兰国家数学与计算机科学研究中心);Leiden University Medical Center(莱顿大学医学中心);TU Delft(代尔夫特理工大学)
提出了一种新的代理辅助进化算法,用于求解昂贵的组合优化问题。我们集成了一个代理模型,这是用于适应值估计,到一个国家的最先进的P3-类变种的基因池最优混合算法(GOMEA),并适应所产生的算法解决非二进制组合问题。我们测试所提出的算法集成学习问题。集成多个模型是一种常见的机器学习技术,可以实现更好的性能。我们考虑在数据集的不相交子集上训练的几个模型的集合。寻找最佳的数据集划分自然是一个组合的非二进制优化问题。如果使用复杂模型(如深度神经网络)作为集成中的学习器,则适应度函数评估可能非常昂贵。因此,适应度函数评估的数量通常是有限的,需要昂贵的优化技术。在我们的实验中,我们使用五个分类数据集从OpenML-CC 18基准和支持向量机作为学习者的合奏。该算法表现出更好的性能比其他方法,包括贝叶斯优化算法。它设法找到更好的解决方案,使用几千个适应度函数评估多达500个变量的集成学习问题。
2021-04-16 cs.AI cs.LG cs.NE
Online Regime-aware Calibration for Black-box Social Simulators via Posterior-assisted Evolutionary Dynamic Optimization
Guangdong Provincial Key Laboratory of Brain-Inspired Intelligent Computation, Southern University of Science and Technology, Shenzhen 518055, China(脑启发智能计算广东省重点实验室,南方科技大学,深圳518055,中国);Department of Computer Science and Engineering(计算机科学与工程系);Department of Statistics and Data Science(统计与数据科学系);Zhongguancun Academy, Beijing 100094, China(中关村学院,北京100094,中国);School of Data Science, Lingnan University, Hong Kong SAR, China(数据科学学院,岭南大学,香港特别行政区,中国)
本文提出利用后验分布辅助进化动态优化,以提升复杂社会模拟的在线校准能力。
2026-09-02 cs.LG cs.NE
Exploring the fitness landscape of a realistic turbofan rotor blade optimization
气动外形优化已成为工程设计过程中实现高效结果的一种有价值的工具。这种方法的一个中心方面是从编码要改进的形状的几何形状的设计参数到描述其性能的质量标准的映射。在优化过程的设置中要做出的选择强烈地影响该映射,并且因此预期对可实现的结果具有深远的影响。在这项工作中,我们探讨的影响,这样的选择上的涡轮风扇转子叶片的形状优化的效果,因为它可以在飞机发动机设计过程中实现。叶片质量通过逼真的三维计算流体动力学(CFD)模拟进行评估。我们调查的结果不同的各种配置选项,如优化算法,初始化,参数化的自由度的数量的几个优化运行。对于所有这些变化,我们通常发现,叶片质量的可实现的改进对于大多数设置是相当的,因此对设置的细节相当不敏感。另一方面,即使是设置中的微小变化,例如使用不同的随机种子来初始化优化器算法,也会导致非常不同的形状。表现出相当性能的优化形状通常在整个叶片上的几何形状上差异很大。我们的分析表明,这种现实的涡轮风扇转子叶片优化的适应度景观是高度多模态的,具有许多局部最优值,其中非常不同的形状显示出相似的性能。
2019-10-16 cs.CE cs.NE
Large Language Model as Meta-Surrogate for Data-Driven Many-Task Optimization: A Proof-of-Principle Study
School of Computer Science and Engineering, South China University of Technology, Guangzhou, China.(计算机科学与工程学院,华南理工大学,广州,中国);Guangzhou Institute of Technology, Xidian University, China.(广州理工大学,西安电子科技大学,中国);College of Artificial Intelligence, Nankai University, Tianjin, China.(人工智能学院,南开大学,天津,中国);Hanyang University, 15588 Ansan, South Korea.(湖南衡阳大学,韩国)
本研究提出利用大语言模型作为元代理模型,通过多任务优化框架提升适应度预测效率,实现跨任务知识共享与新任务适应性,验证了其在进化迁移优化中的有效性。
2026-02-04 cs.AI cs.LG cs.NE
Fitness Landscape Footprint: A Framework to Compare Neural Architecture Search Problems
Technical University of Munich(慕尼黑工业大学);German Aerospace Center (DLR)(德国航空航天中心);Remote Sensing Technology Institute (IMF)(遥感技术研究所)
本文提出由八项通用指标构成的 fitness landscape footprint,用适应度景观分析定量刻画并比较 NAS 问题的难度与结构特征。
2021-11-02 cs.AI cs.CV cs.LG
Information-geometric optimization with natural selection
本文将群体遗传学与进化优化结合,提出一种基于自然选择、群体重组和自适应增强选择的简单进化算法,无需矩阵求逆或协方差矩阵存储,性能与协方差矩阵自适应和自然进化策略相当。
2020-02-19 cs.NE q-bio.PE
Learning How to Search: Generating Effective Test Cases Through Adaptive Fitness Function Selection
University of South Carolina(南卡罗来纳大学);Chalmers and the University of Gothenburg(查尔姆斯理工大学和哥德堡大学)
基于搜索的测试生成由来自一个或多个适应度函数的反馈指导,适应度函数是判断解决方案最优性的评分函数。选择信息丰富的适应度函数对于满足测试人员的目标至关重要。不幸的是,许多目标--比如强制被测类抛出异常,增加测试集的多样性,以及获得强突变覆盖--并没有有效的适应度函数公式。我们建议,满足这样的目标需要处理适应度函数识别作为一个次要的优化步骤。可以改变适应度函数的选择的自适应算法可以在整个生成过程中调整其选择,以基于测试套件的当前群体来最大化目标实现。为了验证这一假设,我们在EvoSuite单元测试生成框架中实现了两个强化学习算法,并使用这些算法动态设置生成过程中使用的适应度函数,以实现上述三个目标。我们已经评估了我们的框架,EvoSuiteFIT,一组Java案例的例子。EvoSuiteFIT技术实现了三个目标中的两个目标的显着改进,并且当进化的代数固定时,在第三个目标上显示出有限的改进。此外,对于三个目标中的两个,EvoSuiteFIT检测其他技术遗漏的故障。调整适应度函数的能力允许有效地产生更有效的测试套件的策略选择,并且检查这些选择提供了如何实现我们的测试目标的洞察力。我们发现,自适应功能的选择是一个强大的技术,适用于一个有效的适应功能时,还不存在实现测试目标。
2021-08-30 cs.LG cs.NE cs.SE
A Rank based Adaptive Mutation in Genetic Algorithm
IBM India Pvt. Ltd.(IBM印度私人有限公司)
传统的遗传算法已被用于优化单峰和多峰函数。早期的研究人员使用恒定概率的GA控制算子,如交叉,变异等,以调整特定领域的优化。最近在这一领域的进展见证了自适应方法的概率确定。在自适应变异中,主要利用较差个体来探索状态空间,因此变异概率通常与最佳染色体与其自身的适应度之差(fMAX-f)成比例地产生。然而,这种方法在优化期间容易受到适应度分布的性质的影响。本文提出了一种利用染色体秩产生突变概率的方法,以避免对适应度分布的敏感性。通过实验比较了固定变异概率的简单遗传算法(SGA)和有限资源约束下的自适应算法对单峰函数、多峰函数和旅行商问题(TSP)的求解结果。测量的平均最佳适应度,进化的代数和百分比的全球最佳成就了几个试验。结果表明,基于秩的自适应变异方法是优于基于适应度的自适应方法以及SGA在多模态问题空间。
2021-04-18 cs.AI cs.NE
Uncertainty And Evolutionary Optimization: A Novel Approach
进化算法(EA)已被广泛接受为复杂的现实世界的优化问题,包括工程优化的有效解决方案。然而,现实世界的优化问题往往涉及不确定的环境,包括噪声和/或动态环境,这对基于EA的优化提出了重大挑战。噪声的存在会干扰EA的评价和选择过程,从而对其性能产生不利影响。此外,由于噪声的存在对适应度函数的评估提出了挑战,因此可能需要对其进行估计而不是评估。几种现有的方法试图解决这个问题,如引入多样性(超突变,随机移民,特殊算子)或纳入过去的记忆(二倍体,基于案例的记忆)。然而,这些方法未能充分解决该问题。在本文中,我们提出了一种分布式种群切换进化算法(DPSEA)的方法,解决了优化的功能与噪声适应度使用分布式种群切换架构,模拟一个分布式自适应记忆的解决方案空间。在伪种群中使用局部回归来估计适应度。基准测试问题的成功应用,确定所提出的方法的优越性能的鲁棒性和准确性。
2014-11-21 cs.NE
Mapping the Fitness Landscape: A Structure-Guided Approach to Multi-Modal Optimization
University of Aizu(会津大学)
本文提出了一种基于结构的多模态优化方法,通过构建适应度景观来指导多模态优化过程,改进了传统进化算法在多模态搜索中的不足,提高了解的质量和覆盖范围。
2026-05-18 cs.NE
Fitness Dependent Optimizer for IoT Healthcare using Adapted Parameters: A Case Study Implementation
本文讨论了一个关于健身依赖优化器(所谓的FDO)的案例研究,并将其参数调整为物联网(IoT)医疗保健。繁殖方式是由蜂群和FDO的协同决策引发的。与蜜蜂或人工蜂群算法相反,该算法与它们没有任何联系。在FDO中,搜索代理的位置是使用速度或速率更新的,但它的方式不同。它根据问题的适应度函数值创建权重,这有助于引导代理进行探索和开发过程。其他算法进行评估和比较FDO的遗传算法(GA)和粒子群优化(PSO)在原来的工作。目前的关键算法:Salp-Swarm算法(SSA),蜻蜓算法(DA)和鲸鱼优化算法(WOA)已被评估对FDO的结果。使用这些FDO实验结果,我们可以得出结论,FDO优于其他技术。本章有两个主要目标:首先,将逐步展示FDO的实现,以便读者能够更好地理解算法方法并快速应用FDO解决实际应用。第二个问题是如何调整FDO设置,使元启发式进化算法在物联网健康服务系统中更好地评估大量信息。最终,本章增强的目标是调整基于FDO的物联网医疗框架,以产生有效的物联网医疗应用程序,用于推理现实世界的优化,聚合,预测,分割和其他技术问题。
2022-05-18 cs.NE
On Fitness Landscape Analysis of Permutation Problems: From Distance Metrics to Mutation Operator Selection
Stockton University(斯托克顿大学)
本文针对排列优化问题的适应度景观分析,用主成分分析分类排列距离度量,验证了既有排列问题分类并发现子类型,还提出对应变异算子分类,相关代码已开源。
2022-08-23 cs.AI cs.DM cs.NE
Genetic optimization of the Hyperloop route through the Grapevine
我们展示了一个遗传算法,采用了一个通用的适应度函数,以优化路线选择的超级高铁,建议的高速客运系统。
2015-03-05 cs.NE
A novel mutation operator based on the union of fitness and design spaces information for Differential Evolution
差分进化算法是求解全局优化问题最成功、最有效的进化算法之一。该算法中最重要的算子是变异算子,它是随机选择双亲参与变异的算子,近年来有大量的文献试图通过智能选择双亲来使该算子更加智能化。变异向量的智能选择是通过应用设计空间(也称为决策空间)准则或适应度空间准则来执行的,然而,在这两种情况下,在问题空间中有价值的信息的一半被忽略。在这篇文章中,通用差分进化(UDE)提出了一种利用设计和适应度空间标准的智能选择变异载体。在CEC2005基准上进行了实验分析,结果表明,与其他只使用一个智能选择标准的方法相比,UDE显著提高了差分进化的性能。
2016-04-26 cs.NE
Combining Genetic Programming and Particle Swarm Optimization to Simplify Rugged Landscapes Exploration
大多数现实世界的优化问题很难用传统的统计技术或元分析来解决。其主要困难是存在大量的局部最优解,这可能会导致优化过程的早熟收敛。为了解决这个问题,我们提出了一种新的探试法,用于构建一个光滑的代理模型的原始功能。代理函数更容易优化,但保持了原始粗糙适应度景观的基本属性:全局最优值的位置。为了创建这样一个代理模型,我们考虑了一个线性遗传编程的方法增强了自调整适应函数。所提出的算法,称为GP-FST-PSO代理模型,取得了令人满意的结果,在搜索全局最优值和生产的原始基准函数的视觉近似(在2维的情况下)。
2022-06-07 cs.NE
An Analysis of Phenotypic Diversity in Multi-Solution Optimization
Bonn-Rhein-Sieg University of Applied Sciences(波恩-莱茵-锡格应用科学大学);Leiden Institute of Advanced Computer Science, Leiden University(莱顿大学莱顿高等计算机科学研究所)
越来越多的优化方法被用来寻找不同的解集。我们比较解决方案的多样性在多目标优化,多模态优化,质量多样性在一个简单的域。我们发现,多目标优化并不总是产生太多的多样性,多模态优化产生更高的适应度的解决方案,和质量的多样性是不敏感的遗传中性,并创建最多样化的解决方案。自动编码器用于自动发现表型特征,产生具有质量多样性的更多样化的解决方案集。最后,我们对何时使用哪种方法提出建议。
2021-05-10 cs.LG cs.NE
Improving LSHADE by means of a pre-screening mechanism
进化算法已被证明是非常有效的连续优化,特别是当许多适应度函数评估(FFE)是可能的。然而,在某些情况下,必须采取昂贵的优化方法(即具有相对较少数量的FFE),并且在本工作中考虑了这样的设置。本文介绍了一种扩展的著名的LSHADE算法的形式的预筛选机制(psLSHADE)。拟议的预筛选依赖于以下三个组成部分:一个特定的初始采样程序,样本的档案,和一个全局线性元模型的健身功能,包括6个独立的变量变换。预筛选机制初步评估的试验向量,并指定其中最好的一个进一步评估的适应度函数。psLSHADE的性能是使用CEC 2021基准在一个昂贵的场景中进行评估的,每个维度的优化预算为10^2-10^4个FFE。我们比较psLSHADE与基线LSHADE方法和MadDE算法。结果表明,在有限的优化预算psLSHADE明显优于两个竞争对手的算法。此外,与LSHADE相比,使用预筛选机制导致psLSHADE的群体收敛更快。
2022-04-11 cs.NE
Regret-Aware Black-Box Optimization with Natural Gradients, Trust-Regions and Entropy Control
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
大多数成功的随机黑箱优化器,如CMA-ES,使用单个样本的排名来获得新的搜索分布。然而,排名的使用也引入了几个问题,例如潜在的优化目标通常不清楚,即,我们不优化期望的适应性。此外,虽然这些算法通常产生搜索分布的高质量平均估计,但所产生的样本可能具有较差的质量,因为这些算法不知道遗憾。最后,有噪声的适应度函数评估可能导致在期望上高度次优的解决方案。相比之下,由策略梯度激励的随机优化器,例如基于模型的相对熵随机搜索(MORE)算法,直接优化预期的适应度函数而不使用排名。MORE可以通过应用自然策略梯度和相容函数近似来导出,并且使用信息论约束来确保策略更新的稳定性。虽然MORE不受所列出的限制,但与基于排名的方法相比,它通常无法实现最先进的性能。我们通过解耦搜索分布的均值和协方差的更新来改进MORE,从而允许对均值进行更积极的更新,同时保持对协方差的更新保守,这是一种基于进化路径的改进熵调度技术,与原始论文相比,该技术收敛速度更快,模型学习方法更简单,更有效。我们将我们的算法与最先进的黑盒优化算法在标准优化任务以及机器人技术中的情景RL任务上进行比较,其中具有小遗憾也是至关重要的。我们在基准函数上获得了有竞争力的结果,并且在RL任务的遗憾方面明显优于基于排名的方法。
2022-05-24 cs.LG cs.NE stat.ML
A RankNet-Inspired Surrogate-Assisted Hybrid Metaheuristic for Expensive Coverage Optimization
针对昂贵混合变量覆盖优化问题,提出基于RankNet的代理辅助混合元启发式算法RI-SHM,通过成对排名代理、局部分布估计和动态切换策略,高效处理大规模任务,性能最高提升56.5%。
2025-02-27 cs.NE
Optimize Cheap, Deploy Strong: Cost-Aware Cross-Tier Transfer for Evolutionary Optimization
IBM Research(IBM研究院)
该研究提出成本感知跨层迁移方法,解耦LLM角色,在低成本层级完成大部分搜索,跨层部署提示词,在多任务多模型上实现成本大幅降低且性能不劣于同层级优化。
2026-08-13 cs.AI cs.CL cs.LG
Analysis of Noisy Evolutionary Optimization When Sampling Fails
在带噪声的进化优化算法中,采样是一种常用的噪声处理策略。通过抽样策略,解的适应度被独立地评估多次(称为\emph{sample size}),然后其真实适应度被这些评估的平均值近似。以往关于抽样的研究大多是经验性的,少数的理论研究主要是在足够大的样本量下证明抽样的有效性。在本文中,我们从理论上研究什么策略可以工作时,任何固定的样本量采样失败。通过构建一个家庭的人工噪声的例子,我们证明了采样总是无效的,而使用父母或后代人口可以帮助一些例子。我们还构建了一个人工噪声的例子来表明,当使用采样和人口都是有效的,定制的自适应采样(即,具有自适应样本大小的采样)策略可以工作。这些发现可能会在一定程度上增强我们对采样的理解,但需要在未来的工作中验证它们在自然情况下。
2022-11-28 cs.NE math.OC
Evolutionary Token-Level Prompt Optimization for Diffusion Models
University of Coimbra(科英布拉大学)
本文提出基于遗传算法的扩散模型令牌级提示优化方法,通过进化CLIP模型的token向量提升生成质量,实验显示比基线方法提升23.93%。
2026-04-10 cs.AI cs.NE
Faster Monte-Carlo Algorithms for Fixation Probability of the Moran Process on Undirected Graphs
进化图论研究的是种群结构为连通图时的进化动力学。图中的每个节点代表种群中的一个个体,而边则决定了后代的位置。我们考虑了经典的生灭Moran过程,其中有两种类型的个体,即适应度为1的居民和适应度为r的突变体。适合度反映了繁殖力。进化动力学是这样发生的:在最初的一步中,在所有居民个体的种群中引入一个突变体,然后在每一步中,选择一个与其类型的适应度成比例的个体进行繁殖,后代随机均匀地取代邻居。当所有的个体都是居民或突变体时,这个过程就停止了。所有个体最终都是突变体的概率称为固定概率。本文提出了一种快速的多项式时间Monte-Carlo算法来求解无向图的固定概率。我们的算法总是比以前的算法快至少一个因子O(n^2/log n),其中n是节点数,并且即使r以二进制形式给出也是多项式。我们还提出了下界表明,我们提出的有效步骤的预期数量的上限是渐近紧的无向图。
2017-06-21 cs.DS cs.NE
A Discipline of Evolutionary Programming
使用小种群或跨代小种群更新的遗传适应度优化通常遭受随机发散进化。我们提出了一个概念,高度可能的适应度优化,通过可行的进化计算运行在小规模的人口。基于快速混合马尔可夫链,该方法适用于大多数类型的进化遗传算法,遗传编程等。我们建立了相关的快速混合马尔可夫链和适当的平稳分布的新方法发现最佳方案(个人)的概率几乎为1的系统。为了使该方法有用,需要一种结构化设计方法,其中程序的开发和快速混合性能的保证齐头并进。最后通过一个简单的例子说明了该方法的可行性。更重要的例子需要理论上的进步,例如关于Metropolis滤波器。
1999-02-02 cs.AI cs.CC cs.DS