特征选择的快速遗传算法 —— 一种定性近似方法

Apr, 2024

特征选择的快速遗传算法 —— 一种定性近似方法

Fast Genetic Algorithm for feature selection -- A qualitative approximation approach

Mohammed Ghaith Altarabichi, Sławomir Nowaczyk, Sepideh Pashami, Peyman Sheikholharam Mashhadi

TL;DR本文提出了一种两阶段的辅助代理进化方法，用于解决在大型数据集的封装设置中使用遗传算法进行特征选择时产生的计算问题。通过构建轻量级的定性元模型通过主动选择数据实例进行特征选择任务，并在遗传算法 CHC 的基础上应用该过程来创建定性近似变体 CHCQX。实验证明，CHCQX 对于包含超过 100K 个实例的大型数据集收敛速度更快且准确度更高。此外，我们还展示了我们的方法在粒子群优化（PSO）方法的定性逼近适应中的适用性，该方法属于进化计算（EC）范式的另一个分支，相关结果可在 GitHub 上找到完整的实现。

Abstract

evolutionary algorithms (EAs) are often challenging to apply in real-world settings since evolutionary computations involve a large number of evaluations of a typically expensive fitness function. For example, an evaluation could involve training a new machine learning model. An approx

evolutionary algorithms surrogate-assisted evolutionary approach feature selection approximation usefulness large datasets

发现论文，激发创造

机器学习中的逼近健身

我们提出了一种新的方法，在遗传算法中使用机器学习模型进行适应度近似估计，重点是在 Gymnasium（游戏）模拟器中的进化智能体，其中适应度计算代价很高。维护一个包括个体及其实际适应度评分的样本数据集，我们通过整个进化过程不断更新适应度近似估计的机器学习模型。我们比较了不同的方法：1）在实际适应度和近似适应度之间切换，2）对种群进行抽样，并且 3）对样本进行加权。实验结果表明，在适应度近似与实际计算的比率下，进化运行时间得到了显著的改善，且适应度评分要么相同，要么略低于完整运行的遗传算法。我们的方法是通用的，并且可以轻松应用于许多不同的领域。

Sep, 2023

遗传工程算法（GEA）：一种高效的元启发式算法用于解决组合优化问题

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

多目标进化算法优化子模函数或单调近似子模函数

本论文研究基于多目标进化算法 GSEMO-C 的子模最大化问题（包括有 / 无大小约束的子模函数最大化问题，以及有大小约束的单调逼近子模函数最大化问题），证明了该算法可以在多项式期望运行时间内实现很好的近似效果。

Nov, 2017

自然进化与人工进化运行时比较的初步步骤

本文分析了强选择弱突变（SSWM）进化模型运行时间及其与（1 + 1）EA 的异同之处，并研究了如何利用适应度梯度实现 SSWM 在跨越适应度谷时的优势。

Apr, 2015

基于显著性的分布估计算法

提出一种基于紧凑遗传算法的 EDA 方法，只更新经历考虑后的信息，证明了该方法可在近线性时间内优化 OneMax、LeadingOne 和 BinVal 等基准函数，对于其他 EDA 和进化算法还未有类似的结果。同时证明了其他两种算法无法在多项式时间内优化 OneMax。

Jul, 2018

遗传算法的 FAIRy 故事

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

LEA: 基于学习优化策略的进化算法之外

设计一种可学习的进化算法（LEA）来实现从手工设计的优化策略到学习的优化策略的转变，能够高效地利用目标任务的低保真信息来形成优化策略，以更少的计算成本获得更好的解决方案。

Apr, 2023

NeuroLGP-SM: 深度神经网络的可扩展替代辅助神经进化

在神经进化（neuroevolution）中，我们提出了一种名为 NeuroLGP-SM 的方法，它利用表型距离向量和 Kriging Partial Least Squares（KPLS）作为代理模型，以高效准确地评估大型深度神经网络（DNNs）的适应度，并且相比其他方法具有竞争力或更好的结果和更高的能源效率。

Apr, 2024

MEL：高维特征选择的高效多任务进化学习

该研究提出了一种名为 PSO-based Multi-task Evolutionary Learning（MEL）的新方法，通过利用多任务学习来提升特征选择的学习能力和效率，并在 22 个高维数据集上进行了广泛实验，与其他 24 种进化计算方法进行对比，表现出强大的竞争力。

Feb, 2024

遗传算法和其他搜索过程的分层分析

本论文描述了一种新的基于层级定理的技术，应用于任何非精英进程，并对几个伪布尔函数、排序问题和组合优化中的最优解逼近进行了演示。

Jul, 2014