Nov, 2022

表观遗传阻断对动态多目标优化问题的影响

PDF
TL;DR本文研究了在动态多目标优化问题中应用表观遗传机制对现有多目标遗传算法 MOEA/D-DE 的性能进行了比较，并提供了初步的实验证据表明，更多的算法应该探索自然界中丰富的表观遗传机制。
evolutionary computationepigenetic inheritancedynamic multi-objective optimisationgenetic algorithmperformance improvement
发现论文，激发创造
  • 定向进化和生态 - 进化动力学的生物物理控制论

    本论文提出了 Taak-duality，一种将生态和基因型 / 表型类型都考虑在内的术语，并利用这种等价关系研究了高度一般化类型的生态进化轨迹，分析了有向进化的效率潜在限制。

    May, 2023

  • 使用三目标进化算法求解动态禁制条件背包问题

    研究探讨应用三目标进化算法解决具有随机和动态约束的背包问题，通过将体重和背包容量建模为随机和动态组成部分，与二目标公式相比，三目标公式在应对动态背包问题中具有明显优势。

    Apr, 2024

  • 多目标进化算法中组件效应对算法行为的影响

    研究使用自动设计的算法对多目标进化算法进行了效果评估，通过比较搜索轨迹网络、种群的多样性和任意时刻的超体积值，发现算法组件对于不同问题具有不同的影响。

    Jul, 2023

  • 多样性基于的父辈选择策略的设计与分析 —— 加速多目标进化优化

    本研究提出了一种基于多样性的度量方法来改进遗传算法中的亲本选择，研究发现其在解决多目标优化中表现良好，并探讨出现停滞的原因和对策。

    May, 2018

  • 从单目标问题到多目标问题的关键知识学习：KAB2S 方法

    本文提出了一种新的进化计算研究方法 —— 进化传递优化（ETO），通过这种方法能够实现有关经验和已解决问题中的知识的零重用范式的克服，同时在离散情况下解决多目标优化问题遇到单目标优化问题。关键的就业知识，如基于遗传算法的位置构建模块，可以通过新的核心转移机制和学习技术用于排列流水车间调度问题 (PFSP) 的 ETO-PFSP 框架，并为工业应用做出了贡献。

    Jun, 2022

  • 可学习演化算法在可扩展多目标优化中的调查

    本研究论文总结了最近学习型多目标进化算法在解决不同尺度多目标优化问题中的进展和挑战，并提供了四个有吸引力的方向，即用于环境选择的可学习进化鉴别器，用于繁殖的可学习进化生成器，用于函数评估的可学习进化评估器，以及用于共享或重复使用优化经验的可学习进化传输模块，作为这一领域的努力的参考。

    Jun, 2022

  • 一个安全的联邦数据驱动进化多目标优化算法

    本文提出了一种安全的联邦数据驱动进化多目标优化算法，可保护隐私并增强安全性，在联邦数据驱动进化优化的性能方面只有可忽略的牺牲。

    Oct, 2022

  • 基于偏好的直接多目标进化优化与对决决策

    该研究提出了一种基于用户偏好的多目标优化问题框架，通过直接偏好学习和主动对抗算法，实现了在无需计算适应度函数的情况下，获得收敛到感兴趣区域的解决方案，并在蛋白质结构预测领域中得到了有效的应用。

    Nov, 2023

  • 演化算法模拟分子进化：一个新的领域提议

    通过将进化算法、机器学习和生物信息学相结合，我们提出了一种计算方法，可以扩展已知功能蛋白家族的词汇表，进而发展出以前从未存在过的全新蛋白质，从而推动计算进化的新子领域的发展。

    Feb, 2024

  • 进化动态优化与机器学习

    这篇论文是关于进化计算、人工智能、进化机器学习、进化动态优化和机器学习之间互相结合的研究，旨在激发进化学习社区的兴趣并在该领域激发创新贡献。

    Oct, 2023