在数学生物学的标准进化模型和在线学习和优化的广泛模型之间发现了强烈联系,数学模型的生物进化相当于在协调博弈上应用离散乘法权更新算法,从而在生物数学领域引入了博弈论动态学的研究见解。该研究结果表明单倍型进化的数学模型意味着在遗传多样性的长期极限中消失了,这是遗传学中广泛相信的猜想。
Aug, 2014
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
本文提出了一种名为 Diverse Quality Species (DQS) 的新型质量 - 多样性算法,能够在不需要存档或事先定义行为范围的情况下,将解决方案分解为独立进化种类,并利用无监督技能发现来学习多样化而高性能的解决方案,在多个仿真机器人环境中进行评估,结果表明 DQS 比其他 QD 算法更具样本效率和性能。
Apr, 2023
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。
Nov, 2022
通过优化遗传算法,模拟物种在环境中的进化与自然选择,研究物种间相互作用,预测未来的变化,寻找生物进化的途径及其应用。
Sep, 2022
本研究探究了基因型表型图对于单倍体 Wright-Fisher 模型的进化动力学的影响,结果表明表现型频数大的现象更容易出现,并且即使具有更高适应度但频数小的表型也很难在人口中趋于固定,这表明进化遵循了非人类学的规则。
Feb, 2014
本文提出了一个名为 Group Elite Selection of Mutation Rates (GESMR) 的算法,使用协同进化技术来解决自适应设计中的变异率问题,实现更好的进化性能。通过广泛的测试优化问题,以及高维度的神经进化学习任务,该算法表现出了卓越的收敛速度和更好的最优解决方案。
Apr, 2022
本研究探讨了基于多维基因编程的演化计算方法,使用机器学习技术选择性推进程序构建模块,提出了前向逐步杂交操作符,并在回归问题研究中取得了显著的改进和最先进的结果。最后,本文研究了该架构和其他架构在使用启发式搜索期间利用信息的潜力,并从应用程序中解释了数据表示的共线性和复杂性。
Apr, 2019
本文将 MAP-Elites 算法与生物进化过程相结合,提出了精英超体积概念,并引入了定向变异算子来优化算法,通过三个不同的问题实验,证明了该算法的有效性。
Apr, 2018
本文分析了强选择弱突变(SSWM)进化模型运行时间及其与(1 + 1)EA 的异同之处,并研究了如何利用适应度梯度实现 SSWM 在跨越适应度谷时的优势。
Apr, 2015