提出了基于基因调控的基因遗传算法（GRGA），利用基因之间的关系来改进遗传算法（GA）的准确性和效率。通过设计一个多部分图 RGGR 来表示解空间，其中每个节点对应一个解中的基因，并且边表示相邻节点之间的关系。通过使用 RGGR 来确定交叉和变异的位置，引导进化过程以更快、更好地收敛。通过在多模式优化问题以及特征选择、文本摘要和降维等应用上的测试，结果表明 GRGA 是有效和有希望的。

Apr, 2024

提出了一种基于遗传工程概念的新元启发算法 —— 遗传工程算法（GEA），通过重新设计传统遗传算法并引入新的搜索方法，以基于已有基因的选择来孤立、提纯、插入和表达新基因，从而产生具有所选基因的特定染色体，旨在解决遗传算法中的限制问题。与现有算法在基准实例上进行的比较评估表明，GEA 具有卓越的性能，展示了其作为组合优化问题的创新高效解决方案的潜力。

Sep, 2023

Information-Geometric Optimization 是一种利用概率分布族和 Fisher metric 来优化适应性函数的方法，透过自适应变换及更新参数来优化目标函数，其适用于不同概率分布族，如 Bernoulli 及 Gaussian 分布族及指数族；本文证明其任何小于等于 1 的步长都能保证上升的单调改进，并延伸到涉及到不同步长及被选择的个体的情况下。

Nov, 2012

在该研究中，我们使用最小化最大后悔标准描述了提取广义加性独立效用的语义基础，并提出了若干新的查询类型和策略；通过利用模型中的局部 GAI 结构，实现了计算可行性；所得结果提供了实现基于偏好的受限配置优化以及在多属性产品数据库中进行有效搜索的实用方法。

Jun, 2012

本文提出了一种新算法 GMAB，将强化学习领域的多臂赌博机和遗传算法中的随机搜索策略相结合，通过模拟来解决离散随机优化问题。实验结果表明，GMAB 在大量测试问题中取得了优越的性能。

Feb, 2023

本文提出了扩展的 FAIR 数据原则以增强遗传算法的可再现性和可重用性，并使用轻量级 RDF 格式的词汇表来促进此目的。通过遗传算法作为示例，阐述了算法方法发展和变种对于算法复现的挑战。此工作可以扩展到多种优化和机器学习算法。

Apr, 2023

本文针对多臂赌博机问题中存在的多元反馈进行研究，通过使用广义 Gini 指数聚合函数对多目标在线优化问题进行形式化，并提出了一种在线梯度下降算法来解决该问题。该算法利用 GGI 聚合函数的凸性，通过精心控制探索来实现分布自由的回归。在合成数据和电池控制问题上进行测试，可以有效地平衡不同细胞的退化速率。

Jun, 2017

我们开发了一种基于多维积分的概率方法，用于求解全局最优解，该方法不需要梯度信息，具有收敛性和适用于任意维度的特性。通过在多个非凸测试函数上的实证研究，我们发现该方法在遗憾值和收敛速度方面优于许多现有的状态 - of-the-art 方法。

Oct, 2023

本研究提出了一种基于信息几何学的优化方法，使用自适应的、时变的、基于分位数的目标函数变换进行自然梯度上升。该方法不假设目标函数是可优化的，并通过时间离散化产生具体算法。理论上显示该算法最小化了多样化的损失，初步实验也展示了该算法具有在单次运行中做多次全局探索的能力。

Jun, 2011

本文提出一种新的基因算法，名为遗传策略优化（GPO），用于样本有效的深度策略优化，通过状态空间中的模仿学习进行策略交叉并应用策略梯度方法进行变异，实验结果表明，GPO 优于现有的策略梯度方法，并实现了相当或更高的样本效率。

Nov, 2017