通过优化遗传算法，模拟物种在环境中的进化与自然选择，研究物种间相互作用，预测未来的变化，寻找生物进化的途径及其应用。

Sep, 2022

本论文描述了一种新的基于层级定理的技术，应用于任何非精英进程，并对几个伪布尔函数、排序问题和组合优化中的最优解逼近进行了演示。

Jul, 2014

本文提出了一种两阶段的辅助代理进化方法，用于解决在大型数据集的封装设置中使用遗传算法进行特征选择时产生的计算问题。通过构建轻量级的定性元模型通过主动选择数据实例进行特征选择任务，并在遗传算法 CHC 的基础上应用该过程来创建定性近似变体 CHCQX。实验证明，CHCQX 对于包含超过 100K 个实例的大型数据集收敛速度更快且准确度更高。此外，我们还展示了我们的方法在粒子群优化（PSO）方法的定性逼近适应中的适用性，该方法属于进化计算（EC）范式的另一个分支，相关结果可在 GitHub 上找到完整的实现。

Apr, 2024

该论文提出了一种将基于经典伪布尔基准问题的算法推广到排列基准问题上的方法，并对旋转置换的基准问题进行了分析，发现排列的循环结构决定了变异的难度，并提出使用更对称的 Scramble 变异操作器和重尾 Scramble 操作器来加速算法运行，并进行了实证分析。

Jul, 2022

本文提出了一个自适应版本的 (1,λ) 进化算法，并进行了严格的运行时间分析。结果表明，进化计算中的自适应可以在飞行中找到复杂的最优参数设置。同时，它证明了 Doerr、Gie?en、Witt 和 Yang~(GECCO~2017) 提出的相对复杂的自适应性变异率调整方案可以用我们简单的内生性方案代替。

Nov, 2018

融入大型语言模型的进化算法为分子发现问题的优化提供了一个优越性能的解决方案，通过重新设计进化算法的交叉和变异操作，利用大型化学信息语言模型进行大规模的实证研究，在单目标和多目标环境中，对于性能优化、分子重发现和基于结构的药物设计等多个任务表现出优于基线模型的优越性能，提高了最终解的质量和收敛速度，同时减少了所需的目标评估次数。

Jun, 2024

本论文研究基于多目标进化算法 GSEMO-C 的子模最大化问题（包括有 / 无大小约束的子模函数最大化问题，以及有大小约束的单调逼近子模函数最大化问题），证明了该算法可以在多项式期望运行时间内实现很好的近似效果。

Nov, 2017

本文提出了一种名为自然进化策略（NES）的算法，它是一种比传统进化算法更为规范的黑盒优化方法。NES 在候选解集上维护一个参数化的分布，使用自然梯度来更新分布的参数，以求解更高预期的适应度值。本文介绍了一系列技术，解决了关于收敛、稳健性、样本复杂度、计算复杂度和对超参数的敏感性等问题。对于全局优化和高维空间搜索，从通用的多元正态分布到重尾和可分布的分布，本文探讨了 NES 系列的多种实现。实验结果显示，NES 表现良好，达到了各种标准基准测试的最佳性能。

Jun, 2011

本研究对 Opt-IA 人工免疫系统进行了时间复杂度分析，并证明了与进化算法相比，使用老化操作可以提高标准基准函数的计算速度。

Apr, 2018

Efficient Natural Evolution Strategies (eNES) using natural gradient and Fisher information matrix increases evolution gradient estimation robustness and performance for optimal fitness baselines in updating population with competitive results on unimodal and multimodal benchmarks.

Sep, 2012