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

本文介绍了一个灵活的框架，该框架允许使用任何强化学习（RL）算法，并通过演化代理人群体而不仅仅是策略来缓解限制，以改进 QD 在机器人控制问题中的应用。

Mar, 2023

描述了一种基于 Multi-dimensional Archive of Phenotypic Elites (MAP-Elites) 算法的多目标搜索优化算法，该算法通过生成高性能解的分布图，帮助用户更好地分析最佳解的属性及其效果。

Apr, 2015

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

本论文提出了一种名为 MOME-PGX 的新的 QD 算法，它扩展了 MOME 以提高数据效率和性能，通过基于梯度的优化有效驱动方案向更高性能，引入遗传集中机制创建改进的探索策略和鼓励 Pareto 前沿的均匀分布；该算法在 4 个模拟机器人运动任务中表现出比其他基线更快、更高效的性能和数据效率。

Feb, 2023

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

本研究提出了一种新的多目标优化方法，将 MAP-Elites 算法中的多样性与多目标优化相结合，通过使用 Pareto Front 填充每个单元格，能够在描述符空间中提取多样性解，并在探索不同目标之间的折衷方案时提供全局性能优异的解决方案。

Feb, 2022

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