研究演化算法在排列问题和映射问题上的应用，提出了一种新的变异算子 “cycle mutation”，并且利用新的排列距离度量方法进行问题特征分析和应用实验，结果表明 cycle mutation 适用于映射和分配问题，对于旅行商问题有一定局限性，并且相对于常用替代方案对局部最优解的稳健性更好。

May, 2022

对组合优化问题的演化操作符与排列进行了调查和分析，使用了开源 Java 库 Chips-n-Salsa 实现并在人工适应度景观上进行了实证分析。

Nov, 2023

该论文提出了一种将基于经典伪布尔基准问题的算法推广到排列基准问题上的方法，并对旋转置换的基准问题进行了分析，发现排列的循环结构决定了变异的难度，并提出使用更对称的 Scramble 变异操作器和重尾 Scramble 操作器来加速算法运行，并进行了实证分析。

Jul, 2022

本研究提出了将经典的伪布尔基准转化为置换集基准的一般方法，分析了置换基础 $(1+1)$EA 在 LeadingOnes 和 Jump 基准的模拟上的运行时间，旨在研究置换问题。

Apr, 2022

通过置换不变网络将样本从概率测度映射到低维空间，使编码样本之间的欧几里得距离反映概率测度之间的 Wasserstein 距离，进一步证明了该网络可以推广到正确计算未见密度之间的距离，并且可以学习到概率分布的第一和第二矩。

Oct, 2020

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

本文通过在重现核希尔伯特空间中定义 Perron-Frobenius 算子，开发了一个用于比较非线性动力系统的通用度量，旨在解决模式识别和机器学习中长期存在的结构数据度量问题，并通过实例和真实时间序列数据进行了性能评估。

May, 2018

本文主要研究排列不变性在机器学习中的应用，特别关注在多变量概率分布中如何统计性地检测排列不变性，以及排列不变性在简化维度估计中的作用，并针对此提出了测试方法和回归方法。

Mar, 2024

本文旨在建立一个正式的框架来评估距离分布的判别能力，即这些伪度量无法定义适当的度量的程度，我们使用多个度量空间类别构建了一些精确的逆问题，并介绍了一个变量的 Gromov-Wasserstein 距离用于测量度量度量空间的距离。

Oct, 2018

本论文基于引用的参考系统树的实验证据分布为基础，建立了一种基于 Kantorovich-Rubinstein 距离的 UniFrac 方法，并且将其扩展为 $L^p$ Zolotarev 度量，实现了与两个社区之间没有差异的自然置换测试的 $p$ 值。

May, 2010