研究发现，人工智能协作设计工具的设计推荐对设计过程有积极影响，尤其是综合使用 MAP-Elites 和随机选取的设计推荐能够提高设计任务的参与度和最终设计的质量。有关衡量人工智能协作算法在设计过程中影响的指标存在不足，这对于设计新的混合倡议工具和评估现有工具的研究人员都是非常重要的发现。

Jan, 2024

本文将 MAP-Elites 算法与生物进化过程相结合，提出了精英超体积概念，并引入了定向变异算子来优化算法，通过三个不同的问题实验，证明了该算法的有效性。

Apr, 2018

提出了使用质量多样性算法进行混合和互动游戏内容生成的想法，并通过进化地宫设计师系统实现。该功能使用 MAP-Elites 算法将人口分成多个单元格，使其在几个行为维度上的值相对。用户可以灵活地选择相关的变化维度，并将算法生成的建议合并到其地图设计中。同时，任何人类所做的修改都将反馈到 MAP-Elites 中，并用于生成更多的建议。

Jun, 2019

本论文介绍了一种在高维控制中应用 MAP-Elites 和 Evolution Strategies 算法的新型算法 ME-ES，用于机器人关节损伤后的恢复。该算法在强欺骗奖励的高维控制任务中表现出与现有探索算法相当的高效探索能力。

Mar, 2020

本文提出了结合协方差矩阵自适应技术和档案映射技术以维持多样性的新型 quality diversity 算法 (CMA-ME)，在连续空间的测试表明，CMA-ME 相较于 MAP-Elites 能够找到更好的解决方案以及策略多样性，表现翻倍。此算法对于同时探索和优化连续搜索空间有着极大的应用价值，可以应用于设计、测试和强化学习等领域。

Dec, 2019

本文提出了一种基于进化策略的快速并行评估，名为 MAP-Elites-Multi-ES（MEMES）的新型 QD 算法，该算法通过保持多个独立的进化策略线程来扩展现有的 MAP-Elites-ES 算法，并引入了一种新的动态重置过程来自主地最大化 QD 种群的改进。实验结果表明，MEMES 在黑盒优化和 QD-Reinforcement 学习任务方面表现优越，并具有本地优化适应性的内在优势。

Mar, 2023

利用相似性同时优化一组函数称为多任务优化。本文介绍参数化任务 MAP-Elites（PT-ME），一种解决连续多任务优化问题的新型黑盒算法。该算法每次迭代解决一个新任务，从而有效地覆盖连续空间，并利用基于局部线性回归的新型变异操作。在两个参数化任务玩具问题和一个更现实和具有挑战性的仿真机器人问题中，我们展示了 PT-ME 优于包括深度强化学习算法 PPO 在内的所有对照算法。

Feb, 2024

本文介绍了一种新的启发式算法 ——Surrogate-Assisted Illumination，利用代理建模技术在设计空间中创建映射，同时最小化适应度评估次数。使用这个算法进行设计优化，可以在更少的评估次数内产生高质量、多样性的设计，有助于设计者了解超越纯粹目标优化之外的可能性。

Jun, 2018

本文介绍了一种名为 MESB 的新型 MAP-Elites 算法变体，将其应用于 Hearthstone 的设计和重新平衡，并展示了其在游戏中表现出的多样的表现形式和公共模式。

Apr, 2019

DCG-MAP-Elites 在多个挑战性连续控制运动任务中实现与所有基线模型相当或更高的 QD 得分和覆盖率。

Dec, 2023