本文探讨了一种使用机器学习找到最优配置并将搜索空间限制在这些配置中的方法，以应对系统运行期间不一致性的挑战，并在机器人任务中进行了实验。
Mar, 2019
本文提出了一个名为 LiDOS 的生命周期动态优化框架用于处理自适应系统中的动态变化，将自适应系统规划作为一个多模式优化问题来处理以更好地解决本地最优解问题，在三个实际自适应系统上的实验结果表明该框架比其他现有规划器表现更好，且在生成有前途的适应计划方面加速了 1.4 倍至 10 倍。
Jan, 2022
在本文中，我们介绍了一种新的启发式算法，用于在成本函数的 extensive 评估是昂贵、不可访问或甚至是禁止的场景中进行全局优化。该方法结合了机器学习、随机优化和强化学习技术，并依赖于以前采样点的历史信息，选择应该评估成本函数的参数值。与 Replica Exchange Monte Carlo 方法优化相比，该方法所需的成本函数评估次数与模拟退火方法相当，这在高通量计算或高性能计算任务等上下文中特别重要，其中评估要么计算成本高，要么需要很长时间才能执行。该方法与标准的替代优化技术不同，因为它不构建旨在近似或重构目标函数的替代模型。我们通过将其应用于低维优化问题（维度为 1、2、4 和 8），模拟了凝聚态物理中常见的崎岖能量景观上的最小化困难，其中成本函数崎岖不平且充斥着局部最小值。与经典模拟退火相比，LSS 显示出优化过程的有效加速。
Sep, 2023
通过深度学习和对空间环境的分析，提出了一种用于自动规划城市用地的敌对学习框架，可以加快城市规划进程并提高规划效率。
Aug, 2020
本文使用 Fitness Landscape Footprint 框架，对传感器数据融合和图像分类中的神经网络超参数优化问题进行研究，发现不同传感器具有类似的适应性分布，而 Sentinel-2 传感器的适应性能力更强，并且使用它进行搜索时获得更好的结果。
通过使用图数据挖掘技术，本文提出了利用局部最优网络作为适应度景观的代理，以定性和定量分析探索这些景观中嵌入的潜在拓扑结构信息，从而解决了实际情况中推断相似性的困难。通过在三个经典组合优化问题上进行大规模实证实验，我们获得了支持同类景观之间在邻近维度存在结构相似性的确凿证据，并探究了不同问题类之间的景观关系。
Dec, 2023
本文使用多智能体系统模拟了在某些更有影响力公司有权塑造其他公司生态环境的商业环境中，代表公司如何合作和适应的情况。
Jun, 2022
通过使用历史数据和碳排放 / 吸收模拟，构建了一个代理模型，结合进化搜索过程，能够高效评估不同地点的土地利用政策，提供了一个潜在有用的土地利用规划工具。
Nov, 2023
环境设计中，通过对环境进行改变来影响其他个体的决策。本论文提出了一种通用环境重设计方法，不依赖具体指标以及不同目标，通过利用最新的高质量规划研究，有效地根据任何感兴趣个体的目标和指标优化规划环境。实验证明，在使用熟知的指标（如目标识别）以及解决优化了不同指标的环境重设计任务时，本方法表现优于现有方法。
Feb, 2024
该研究提出了一种动态分析强化学习中超参数优化过程中的超参数地形特征的方法，并在实验中得到了支持，进一步说明超参数应该在训练过程中进行动态调整。
Apr, 2023