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
我们提出了基于进化博弈理论考虑的两种多智能体强化学习算法的变体。 一个变体的有意简化使我们能够证明它与一类常微分方程系统的复制子 - 变异体动力学的关系，从而通过它的常微分方程对应项在各种环境中展示了该算法的收敛条件。相较于更复杂的算法，另一个更复杂的变体允许与 Q 学习算法进行比较。我们在一系列环境中通过实验将这两个变体与 WoLF-PHC 和频率调整的 Q 学习进行比较，展示了我们的变体在维度增加的情况下保持收敛性的实例与更复杂算法的对比。解析结果的可用性相对于纯经验案例研究提供了一定的可转移性，展示了在处理收敛性和可靠的推广问题时，动力系统视角对多智能体强化学习的普适性。
May, 2024
本文提供了首个可适用于广义博弈顺序形式的复制动态系统，相较于现有的复制动态系统可以使时间和空间指数级降低，并证明了在离散时间和连续时间情况下的结果，同时拓展了标准工具以研究策略配置的稳定性。
Apr, 2013
通过数据驱动的方程学习方法，我们开发了一种提取种群动态的混合控制方程和估计所需参数的方法，使短期连续动力系统方程与长期离散方程能够直接评估两个时间尺度之间的相互关系。我们在各种生态场景中展示了该方法的效用，并使用此方法对之前为北美海绵蛾（Lymantria dispar dispar）所经历的传染病进行了广泛的测试。
基于在线控制的新框架提出来，用于人口控制研究，以解决现有数学模型仅限于特定、无噪声动力学情况而实际人口变化复杂和对抗性的问题。通过使用一组线性动力系统和基于梯度的控制器，实证评估结果验证了该算法在包括 SIR 和复制者动力学的非线性模型中对人口控制的有效性。
Jun, 2024
PINSKY 是一种基于神经进化的系统，用于在基于游戏的域中进行开放式学习。它通过 POET 系统在 GVGAI 系统中探索学习和环境生成，可以共同进化关卡和神经网络策略，发现通过优化无法创建成功策略的关卡，并分析转移政策的作用和影响。
Mar, 2022
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
该研究报道了一种之前未知的现象，即进化发现了对控制变化具有鲁棒性的身体计划，这些身体计划成为遗传上同化的，但这些代理人的控制器并未被同化。这发现对于人工和实体代理人的进化设计有影响，如机器人对其控制器内部变化具有鲁棒性，也可能对其环境的外部变化具有鲁棒性。
Nov, 2017
本文讨论了进化博弈理论作为一种强大而统一的数学工具，用于研究集体行为的演化，总结了作者最近通过进化博弈理论方法所涉及的一些研究方向，包括：i）随机进化博弈中（稳定）均衡数量的统计性质分析，以及 ii）在技术发展竞赛中建模安全行为的演化及先进人工智能技术带来的风险。最后，对未来研究者提出了展望和一些建议。
Nov, 2023
本文采用统计力学的普遍费米分布函数，对一种进化过程即成对比较进行了分析。我们首次得出了一个简单的封闭公式，它能够决定任何真正意义上的两人博弈中有限人群中合作的可行性。我们调查了有限群体中合作者的进化动态，并研究了选择强度和无限人口中固定点的残留物之间的相互作用，说明了这种相互作用如何在不同的选择强度下强烈影响有限人口中给定特征的趋向于固定的方式，从而导致直觉上不符合的结果。
Sep, 2006