研究演化算法的理论，尤其是随机黑盒优化技术理论中占主导地位的一个话题是运行时间分析，它旨在通过限制启发式算法在给定问题上需要的函数评估次数来理解其性能，并通过复杂性理论来研究算法解决问题的极限。该论文从黑盒优化的角度回顾了文献中提出的不同的黑盒复杂性模型，并对这些模型的界限进行了调查，探讨了运行时间分析和黑盒复杂性的相互作用如何启发演化计算中已经研究的问题的新算法解决方案，并讨论了未来工作的若干有趣的开放性问题。

Jan, 2018

本文通过提出多个变量漂移定理，证明了使用一种新的 (1+1)- 型算法以及具有适应性变异强度的做法来解决 OneMax 问题所需的运行时间为 n ln (n) - cn ± o (n)，并在固定预算视角下找到相对于已有算法最优解约高 13%。

Jul, 2018

本论文旨在寻找用于黑盒优化的最佳算法，研究表明 Metropolis 算法在求解 DLB 问题时表现最佳，并且比所有其他算法都要快。

Sep, 2021

该研究论文研究了如何通过黑盒优化算法设计新的生物序列，提出了一种名为 P3BO 的人口基础的黑盒优化算法，并结合进化优化算法在线调整超参数，实验证明 P3BO 可以提供更高质量、多样化的序列，是将机器学习应用于实际序列设计的重要步骤。

Jun, 2020

本文提出了一种灰盒优化算法，利用 Bayesian 优化框架和 optism-driven 算法，在常用 Kernel 函数下表现出收敛速度优异的特点，这个算法在常规黑盒算法之上大幅提高了全局最优解求解的速度。

Jun, 2023

这篇论文介绍了黑盒优化问题以及贝叶斯优化和替代辅助进化算法两种优化技术的使用方法和差异，还介绍了一种新的基于模型辅助的策略，通过利用未评估的解产生后代，并结合进化算法的群体搜索能力来提高模型辅助优化的效果。实验结果表明，该方法在准确性和效率方面优于主流的贝叶斯优化算法。

Mar, 2024

本文研究如何通过使用 teacher-student 的框架，以及应用进化策略来生成训练数据样本，以最小化准确率损失，从而复制黑盒神经模型的功能，并且在三个基准数据集上将我们的框架与几种基线和最先进方法进行了比较。

Oct, 2020

通过使用多线性多项式和指数权重更新，我们提出了一种基于模拟退火的计算有效模型学习算法，以优化布尔双立方体上的黑盒函数优化问题，并获得了比文献中现有算法快几个数量级的计算时间和具有竞争性的性能。

Jun, 2020

从适应度水平分区、适应度水平间的转移概率等方面，提出了一种新的证明进化算法期望运行时间下界的方法，可获得 LO、OneMax、long k-paths 以及具有唯一最优解的所有函数的确切或近似下界，并可用于决定适当的最佳变异率，从而最小化期望的适应度计算次数。

Sep, 2011

本文提出了一种基于数据驱动和灵活参数化的方法来发现全新的遗传算法，在各种优化任务上性能优于现有的自适应基线遗传算法，并且具有很强的泛化能力。通过对发现的运算符进行广泛的分析和消融实验，证明其参数化灵活性和可以将学到的运算符传递给传统的遗传算法。

Apr, 2023