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

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

Mix-ME 是一种基于 MAP-Elites 算法的多智能体变种方法，结合了不同团队的智能体，用混合操作符生成新解，在部分可观察的连续控制任务中，这些通过 Mix-ME 获取的多智能体变种不仅能与单一智能体基线进行竞争，而且在多智能体环境中通常表现出色。

Nov, 2023

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

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

本文介绍了一种名为 MESB 的新型 MAP-Elites 算法变体，将其应用于 Hearthstone 的设计和重新平衡，并展示了其在游戏中表现出的多样的表现形式和公共模式。

Apr, 2019

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

CMA-MAE solves limitations encountered by QD algorithms by exploring flat objectives and improving performance for low-resolution archives, achieving state-of-the-art performance through its focus on quality diversity and objective exploration.

May, 2022

该研究提出了一种新的方法来实现基于行为的轨迹生成，该方法基于 MAP-Elites Low-Spread 和 Quality-Diversity Transformer 两个机制，实现了在不确定环境下生成具有一致性、鲁棒性和可重复性的多样化解决方案，并能够自主地实现目标行为。

Mar, 2023

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