通过对 CLIFF 基准的数学运行时间分析，我们发现 - 除了一个局部最优之外 - 大多数悬崖函数仅需要接受一个较差的解来进行优化。虽然 Metropolis 算法表面上能够从其工作原理中获利，但即使在最佳温度下，大多数悬崖函数的优化效率还不如简单的精英进化算法，因此 MA 的成功实践仍有待完善，目前的解决办法是发展全局变异算子。

Apr, 2023

研究了非精英主义的进化算法在最基本的基准函数中的性能，证明了非精英主义算法在运行时间上不具备优势。这是对多模问题上非精英算法的第一个紧密性结果。

Apr, 2020

该研究针对超过一定规模的高维跳跃函数，证明了一种新型的基于紧凑遗传算法（compact genetic algorithm，cGA）的最优解搜索算法具有较快的运行速度，且此算法可在无额外耗费的情况下穿越低适应度的中等大小的山谷。同时提供了平行运行的简单的通用方法，使基于分布式的进化算法能够近似最优化。

Mar, 2019

本文讨论了基于位串表示的遗传算法的变异率的选择问题，建议采用来自幂律分布的随机变异率，可以获得快速的优化结果并被称为快速遗传算法。

Mar, 2017

本文针对一个由两个多峰目标组成的基准问题，进行 NSGA-II 算法的第一次运行时间分析，结果表明，当种群大小 N 至少是 Pareto 前沿的 4 倍时，NSGA-II 能够在时间复杂度为 O（N n^k）的情况下，使用四种不同的选择父母方式和位操作变异来优化 OneJumpZeroJump 基准测试，其中跳跃大小为 2≤k≤n/ 4。使用快速变异时，最近提出的重尾变异算子使这一保证提高了 k^Ω（k）倍。总体上，本研究表明，NSGA-II 至少可以胜任 OneJumpZeroJump 问题的局部最优解，不输于全局 SEMO 算法。

Apr, 2022

基于幂律分布的遗传算法可以非常快速且实例独立地优化跳函数，并且比先前使用固定参数的算法更接近于最优解。

Jun, 2020

该论文提出了半途遁地优化（HEO）算法，一种新颖的量子启发式元启发式算法，旨在解决具有复杂优化问题的崎岖地形和高维度的问题，具有高效的收敛速度。研究对 HEO 的性能进行了全面比较评估，包括与已有的优化算法（包括粒子群优化、遗传算法、人工鱼群算法、灰狼优化器和量子行为粒子群优化）的对比。主要分析涵盖了 30 维度的 14 个基准函数，证明了 HEO 在导航复杂的优化地形中的有效性和适应性，并为其性能提供了有价值的见解。在旅行推销员问题（TSP）中的简单测试也表明了其在实时应用中的可行性。

May, 2024

使用 Many-Objective Evolutionary Algorithms 和 Quality Diversity algorithms 的元素，我们提出了基于投票的多目标精英优化 (MOVE)。MOVE 通过维护适用于目标函数不同子集的精英群体地图来平衡众多目标，并通过在具有 14 个目标的图像神经进化问题上的实验证明 MOVE 是可行的。我们发现该算法的性能取决于解决方案在不同目标子集之间跳跃，并指出这种目标切换是一种隐式的自动识别逐步学习的方法。我们对 MOVE 和 MAP-Elites 之间的相似之处和差异进行了讨论，并提出未来的研究方向以供参考，以便更好地理解这种方法在众多目标问题中的应用。

Jul, 2023

该研究提出了一种名为停滞检测的机制，可用作现有进化算法的模块，通过在多模式优化和自适应机制的探索中对其进行实验以及在限制方面研究其模块的潜在影响，验证了该模块的性能。

Apr, 2020

从适应度水平分区、适应度水平间的转移概率等方面，提出了一种新的证明进化算法期望运行时间下界的方法，可获得 LO、OneMax、long k-paths 以及具有唯一最优解的所有函数的确切或近似下界，并可用于决定适当的最佳变异率，从而最小化期望的适应度计算次数。

Sep, 2011