Apr, 2024

适度数量的种群可证明具有强健的抗噪性

PDF
TL;DR基于数学运行时间分析，该研究表明在具有先前的比特噪声的情况下，(1+λ) 和 (1,λ) 进化算法都可以容忍恒定的噪声概率而不增加 OneMax 基准测试的渐近运行时间。
发现论文，激发创造
  • 较大的后代种群有助于 $(1 + (λ, λ))$ 遗传算法克服噪声

    研究一种遗传算法对于评估函数中噪声的鲁棒性，特别地，较大的后代人口规模通常会带来更强的鲁棒性。实验结果表明，该算法比其他算法更具有鲁棒性。

    May, 2023

  • 在噪声存在的情况下多目标进化算法的运行分析

    通过数学运行分析一个简单的多目标进化算法 (MOEA) 在评估函数噪声存在的情况下对模拟基准的第一次 Pareto 前沿的发现表明，MOEA 的稳健性源于其隐式多样性机制，该机制旨在使其能够计算涵盖整个 Pareto 前沿的人口。

    May, 2023

  • 自适应变异率的运行时分析

    本文提出了一个自适应版本的 (1,λ) 进化算法，并进行了严格的运行时间分析。结果表明，进化计算中的自适应可以在飞行中找到复杂的最优参数设置。同时，它证明了 Doerr、Gie?en、Witt 和 Yang~(GECCO~2017) 提出的相对复杂的自适应性变异率调整方案可以用我们简单的内生性方案代替。

    Nov, 2018

  • 精确黑盒分析下的最优参数选择

    本文通过提出多个变量漂移定理，证明了使用一种新的 (1+1)- 型算法以及具有适应性变异强度的做法来解决 OneMax 问题所需的运行时间为 n ln (n) - cn ± o (n)，并在固定预算视角下找到相对于已有算法最优解约高 13%。

    Jul, 2018

  • 自适应变异率 (1+$λ$) 进化算法

    介绍了一种自适应算法来动态调节种群进化算法的变异率；研究表明这种机制可以更快地优化 OneMax 测试函数，提高了优化效果。

    Apr, 2017

  • 随机可满足 3-CNF 公式上 $(1+(λ,λ))$ 遗传算法的运行时分析

    本研究对于遗传算法在随机 3-SAT 问题上的运行时间进行了严格的分析，并针对较弱的适应性 - 距离相似性提出了解决方案。研究结果表明，引入一个上限可以避免种群大小过大而导致的问题，并证明了该算法可以有效地解决组合搜索和优化问题。

    Apr, 2017

  • 快速遗传算法

    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

  • 进化算法运行时间下界的新方法

    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

  • 跳函数上一个重尾 $(1+(λ,λ))$ 遗传算法的运行时分析

    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

  • cGA 在跳跃函数上的严格运行时分析 —— 无额外成本的 EDA 也能跨越适应度山谷

    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