当超级变异和衰老使得人工免疫系统超越进化算法
本文分析了强选择弱突变(SSWM)进化模型运行时间及其与(1 + 1)EA 的异同之处,并研究了如何利用适应度梯度实现 SSWM 在跨越适应度谷时的优势。
Apr, 2015
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
该研究提出了一种名为停滞检测的机制,可用作现有进化算法的模块,通过在多模式优化和自适应机制的探索中对其进行实验以及在限制方面研究其模块的潜在影响,验证了该模块的性能。
Apr, 2020
本文论证采用 MAHH 算法进行跳跃函数优化的最坏运行时间复杂度为 Omega (n^(2m-1)/(2m-1)!), 低于精英进化算法的运行时间复杂度 O (n^m),之后提出一个组合几种处理局部最优方法的可行性方案
Apr, 2023
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
设计一种可学习的进化算法(LEA)来实现从手工设计的优化策略到学习的优化策略的转变,能够高效地利用目标任务的低保真信息来形成优化策略,以更少的计算成本获得更好的解决方案。
Apr, 2023
本研究针对进化计算领域中的算法选择问题,通过提出一种自适应 CMA-ES 算法的选择方式并测试,取得了比之前研究更稳健的结果,证明了模块选择对于不同优化问题的关键作用。
Apr, 2019
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