研究使用 Guided Evolutionary Strategies 作为一种方法，来让优化过程中的代理梯度信息得到更优的利用，进而结合随机搜索来处理在机器学习等领域中出现的梯度无法被完全计算的问题。

Jun, 2018

本文提出了基于 Lipschitz 低估的代理模型，结合标准径向基函数代理模型和局部搜索程序，开发了一种差分进化算法，名为 Lipschitz Surrogate-assisted Differential Evolution（LSADE）。实验结果表明，所提出的 LSADE 算法与高维复杂的基准函数的最先进算法相比表现出色，尤其在有限的计算预算下更加有效。

Apr, 2022

在神经进化（neuroevolution）中，我们提出了一种名为 NeuroLGP-SM 的方法，它利用表型距离向量和 Kriging Partial Least Squares（KPLS）作为代理模型，以高效准确地评估大型深度神经网络（DNNs）的适应度，并且相比其他方法具有竞争力或更好的结果和更高的能源效率。

Apr, 2024

我们通过采用基于线性遗传编程的适当表示方法（称为 NeuroLGP）和应用克里金偏最小二乘法来解决神经演化中的计算挑战，提出了一种称为 NeuroLGP-Surrogate Model（NeuroLGP-SM）的方法。该方法在 96 次独立运行中表现出卓越的精度，并且比基线方法节省了 25% 的计算资源，进一步突显了其在神经演化中的效率。

Mar, 2024

提出了一种基于分类器辅助排名学习和局部模型的多目标进化算法 (CLMEA)，它用于高维昂贵的多目标优化问题，实验结果表明该算法在基准问题和地热储层热采优化实施方面显示出优秀的性能，相对于现有的基于替代模型的多目标进化算法具有更好的性能。

Apr, 2023

通过使用基因算法（GA）生成的种群数据训练代理模型，探究代理模型对搜索空间的学习，最终建立 GA 的学习过程和所提出方案的解释，以提高用户对方案的信任和采纳度。

May, 2022

这篇研究论文使用两个真实的计算流体动力学问题比较了十一个最先进的单目标代理辅助进化算法的性能表现，结果发现最近发布的方法以及利用差分进化作为优化机制之一的技术明显优于其他方法。

Feb, 2024

在本文中，我们提出并评估了三种分布式遗传算法（GA）设计，用于雾计算中的资源优化问题，其设计基于 GA 在雾设备本身中的执行，以应对约束资源和设备广泛地理分布等特定问题。通过利用 NSGA-II 实施了基准案例，在优化雾服务部署问题的特定领域指导下，对这三种分布式设计进行了比较评估。结果表明，最低分布度的设计在保持目标空间集中存储的同时，实现了与传统方法相当的解决方案质量但产生了更高的网络负载。第二种设计完全分配了种群给工作节点，减少了网络开销，但在解决方案多样性方面表现较差，同时在优化目标最小化方面仍具有足够好的结果。最后，使用分布式种群且仅在相邻工作节点之间交换解决方案的提议实现了最低的网络负载，但解决方案质量受到了影响。

Jun, 2024

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

该研究论文介绍了模型分析工具在实际大规模 ABMs（基于代理的模型）中的执行和运行性能问题，并提出了一些适用于非线性动力模型的替代模型，这些方法在社会健康计算科学领域尚未得到广泛运用，但在建立 ABMs 的替代模型方面可能是有用的。

Mar, 2024