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

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

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

通过使用协方差矩阵适应 (CMA) 策略，本文提出了一种新的技术，用于定义具有高概率包含全局最优解的局部区域，从而在局部区域内使用贝叶斯优化 (BO) 来优化目标函数。我们的方法作为元算法，能够结合黑盒子优化器，如 BO、TuRBO 和 BAxUS，在我们得到的局部区域内找到目标函数的全局最优解，并在各种基准合成和真实问题上进行了评估，结果表明我们的方法优于现有的尖端技术。

Feb, 2024

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

提出了一种简化版的 Quality diversity 问题 - DQD，重点解决 Objective 和 Measure 函数是一阶可微分函数的问题，并提出了一种基于梯度信息的算法 MEGA, 成功地解决了优化过程中 “黑盒处理” 忽略 Gradient information 的问题。在两个 QD 基准领域和 StyleGAN 的潜在空间中进行实验，表明 MEGA 显著优于现有的 QD 算法，突出了 DQD 在梯度信息可用时高效的优势。

Jun, 2021

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

介绍了对协方差矩阵适应进化策略（CMA-ES）的加速技术 - 自适应对角解码（dd-CMA）。通过为采样分布引入表达坐标方差的对角矩阵来实现对称 CMA-ES 的重要优势，还可以利用可分离性，而不会损害非可分离问题的性能。我们还引入了两种保证协方差矩阵正定性的方法，并修订了 CMA-ES 的默认参数设置。在数值实验中，我们观察到 dd-CMA-ES 在存在坐标病态性的函数上表现出显着的性能提高，并且在大规模问题中也表现出了改进的效果。

May, 2019