本章节系统讨论了模拟非线性物理过程的基于物理的元启发式算法，重点介绍了几种物理学基础元启发式算法及其背后的独特物理过程
Jan, 2022
本文对无导数优化的确定性技术和基于自然启发的技术进行了计算比较，并通过对五个基准测试集的结果分析表明，在目标函数评估相对较便宜的情况下，基于自然启发的方法比确定性方法具有更好的性能，然而，在目标函数评估昂贵或被禁止的情况下，确定性方法可能提供更为一致和总体更好的结果。
Dec, 2022
科学和工程中的许多问题都是优化问题，可能需要复杂的优化技术来解决。自然启发算法是一类用于优化的元启发式算法，有些算法或变体通常通过混合来开发。本章重点介绍优化、自然启发算法的概述和混合的作用，并强调算法混合的一些问题。
Aug, 2023
应用竞争性带突变主体的自然启发元启发式算法（CSO-MA），在统计科学的各种优化问题中展示其灵活性和相对于竞争对手的出色表现。
本文通过回顾 28 篇最新的同行评审相关文章和 26 种自然启发式算法的应用，对其进行归类以帮助读者了解这些算法的可靠性和探索阶段，并讨论了这些算法在生物医学信号处理和生物医学图像处理中的应用。
Oct, 2023
本研究对 500 多个元启发式算法进行了详尽的调查，并重点比较了 11 个新的和 4 个已有的元启发式算法对 CEC2017 基准函数集的竞争性表现，结果显示 EBCM 性能优良，不输于现有的元启发式算法。
使用启发式元算法优化预训练权重可改善机器学习分类任务的结果。
通过使用图数据挖掘技术，本文提出了利用局部最优网络作为适应度景观的代理，以定性和定量分析探索这些景观中嵌入的潜在拓扑结构信息，从而解决了实际情况中推断相似性的困难。通过在三个经典组合优化问题上进行大规模实证实验，我们获得了支持同类景观之间在邻近维度存在结构相似性的确凿证据，并探究了不同问题类之间的景观关系。
Dec, 2023
由于其收敛性和随机性，自然启发算法（NIAs）在解决组合优化问题中提供了最优结果，而且在机器人学中的路径规划问题中有广泛的应用。
Jul, 2023
本文采用元学习技术来在多种任务中训练一个模型，以优化适应新任务的能力，从而提高两个最先进的模型的泛化能力，实验表明该方法在两个 CO 问题上都有显著改善。
Jun, 2022