本研究提出了一种单变量分布估计算法的通用公式，该算法自然地包含了三种经典的单变量估算算法和一种具有最大 - 最小蚂蚁系统的变化，该公式的统一描述使得其更容易进行分析，并提供了基于种群的增量学习和遗传漂移的具体应用，该模型包括比现有算法更有效的 EDA，并对 OneMax 和 LeadingOnes 基准进行了评估。

Jun, 2022

通过量化分析和实验验证，我们设计了一种基于 “智能重启机制” 的 EDAs 算法，可以自动识别较好的参数，并且在许多情况下充分展示了其优异的性能表现。

Jun, 2022

该论文提出了一种新的框架，将一类分布估计算法，特别是协方差矩阵适应算法，写成了蒙特卡罗期望最大化算法和无限样本极限下的精确 EM，这个发现为 EDAs 研究提供了一个基于 EM 坚实统计基础的新的、一致的框架。

May, 2019

该研究提出新的计算度量，以检验基于概率模型的进化算法中的模型构建难度，并使用估计的 Walsh 系数来评估估计分布算法在各种基准问题中的困难程度，结果表明，该算法可以准确地预测不同问题中的性能。

Feb, 2022

该研究针对超过一定规模的高维跳跃函数，证明了一种新型的基于紧凑遗传算法（compact genetic algorithm，cGA）的最优解搜索算法具有较快的运行速度，且此算法可在无额外耗费的情况下穿越低适应度的中等大小的山谷。同时提供了平行运行的简单的通用方法，使基于分布式的进化算法能够近似最优化。

Mar, 2019

本研究将生成性神经网络 RBM 集成到 EDA 中，通过实验发现 RBM-EDA 在解决组合优化问题时对于大规模或复杂问题具有更快的 CPU 时间，更少的建模时间，表明使用生成性神经网络用于组合优化具有潜在的优势。

Nov, 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

我们引入了一个名为欺骗性领先块（DLB）的新基准问题，通过它来严格研究单变量边际分布算法（UMDA）在存在遗传上下文和欺骗的情况下的运行时间。我们展示了简单的进化算法（EA）优于 UMDA，除非选择压力 $\mu/\lambda$ 极高，其中 $\mu$ 和 $\lambda$ 分别为父代和子代种群大小，并说明 UMDA 在父代种群大小为 $\mu=Ω(\log n)$ 的情况下，预期将具有 $e^{Ω(\mu)}$ 的 DLB 问题运行时间，假设选择压力 $\frac {\mu}{\lambda} \geq \frac {14}{1000}$，而非精英 $(\mu,\lambda)~\text {EA}$ 的预期运行时间为 $\mathcal {O}(n\lambda\log \lambda+n^3)$ 且 $\mu/\lambda\leq 1/e$。这些结果说明了单变量 EDA 在面对现实世界问题中的欺骗和遗传上下文的固有限制。相比之下，实证证据揭示了双变量 MIMIC 算法在 DLB 问题上的效率。我们的结果表明，当优化问题具有一定程度的遗传上下文和欺骗性时，应考虑具有更复杂概率模型的 EDA。

Jul, 2019

本文针对肿瘤化疗的复杂优化问题，应用了两种分布估计算法，包括基于单变量概率模型的 UMDA 以及第一个采用多变量概率模型的 hBOA 算法。结果表明，相较于更为复杂的算法，使用较为简单的单变量模型能够更好地解决化疗问题。

May, 2022

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