许多优化问题都遭受噪声的困扰，基于非线性检查的分解方法（例如，差异分组）将完全无法检测到乘法噪声环境中变量之间的相互作用，因此，很难分解大型优化问题（LSOPS）嘈杂的环境。在本文中，我们提出了一个自动随机分组（ARG），该分组不需要用户指定的任何明确的超参数。仿真实验和数学分析表明，ARG可以检测没有适应性景观知识的变量之间的相互作用，而由ARG分解的子问题具有较小的尺度，这使EAS更容易优化。基于合作协调（CC）框架，我们引入了一个名为“修改差异进化”的高级优化器，其基于距离的选择（MDE-DS），以增强噪声环境中的搜索能力。与规范的DE相比，参数自我适应，多样化和强化之间的平衡以及基于距离的概率选择endow endow endow mde-ds具有更强的勘探和剥削能力。为了评估我们的提案的绩效，我们根据CEC2013 LSGO Suite设计了$ 500 $ -D和$ 1000 $ -D的问题。数值实验表明，我们的建议在嘈杂的环境中解决LSOP的前景广泛，并且很容易扩展到更高维度的问题。

在本文中，我们提出了一种基于合作进化的可变分组方法，用于大规模多目标问题（LSMOPS），命名为链接测量最小化（LMM）。对于子问题优化阶段，提出了基于估计收敛点的高斯采样算子的混合NSGA-II。根据我们先前的研究，在变量分组阶段中，我们将可变分组问题视为组合优化问题，并且链接测量函数的设计基于非线性检查真实代码（LINC-R）的链接识别。我们将此变量分组方法扩展到LSMOPS。在子问题优化阶段，我们假设在帕累托前（PF）周围现有更好的解决方案的可能性更高。基于这一假设，我们估计每一代优化的收敛点，并在收敛点围绕收敛点进行高斯采样。具有良好客观价值的样本将参与优化作为精英。数值实验表明，我们的变量分组方法比某些流行的变量分组方法更好，并且混合NSGA-II具有多目标问题优化的广泛前景。

在本文中，我们提出了一个简单的策略，可以通过平均估计精英子人群来估计收敛点。基于这个想法，我们得出了两种方法，它们是普通的平均策略和加权平均策略。我们还设计了一个具有估计收敛点的平均值的高斯采样算子，具有一定的标准偏差。该操作员与传统的差分进化算法（DE）结合使用，以加速收敛。数值实验表明，我们的建议可以在CEC2013套件上的28个低维测试功能的大多数功能上加速DE，并且可以轻松扩展我们的建议与其他基于人群的进化算法结合使用，并简单地修改。

大多数现实世界中的问题本质上都是多模式，由多个最佳值组成。多模式优化定义为找到函数的多个全局和局部优化（与单个解决方案相反）的过程。它使用户可以根据需要在不同的解决方案之间切换，同时仍保持最佳系统性能。基于经典梯度的方法未能用于优化问题，因为目标函数是不连续的或不可差的。与需要多个重新启动的经典优化技术相比，进化算法（EAS）能够在单个算法运行中以单个算法运行中的多个解决方案找到多个解决方案，以找到不同的解决方案。因此，已经提出了一些EA来解决此类问题。但是，差异进化（DE）算法是一种基于人群的启发式方法，可以解决此类优化问题，并且可以易于实施。多模式优化问题（MMOP）的潜在挑战是有效地搜索功能空间以准确地定位大多数峰。优化问题可能是最大程度地减少或最大化给定的目标函数，我们旨在解决本研究中多模式功能的最大化问题。因此，我们提出了一种称为增强对立差异进化（EODE）算法的算法来求解MMOP。拟议的算法已在IEEE进化计算（CEC）2013基准功能上进行了测试，并且与现有的最新方法相比，它取得了竞争性结果。

Metaheuristics are popularly used in various fields, and they have attracted much attention in the scientific and industrial communities. In recent years, the number of new metaheuristic names has been continuously growing. Generally, the inventors attribute the novelties of these new algorithms to inspirations from either biology, human behaviors, physics, or other phenomena. In addition, these new algorithms, compared against basic versions of other metaheuristics using classical benchmark problems without shift/rotation, show competitive performances. In this study, we exhaustively tabulate more than 500 metaheuristics. To comparatively evaluate the performance of the recent competitive variants and newly proposed metaheuristics, 11 newly proposed metaheuristics and 4 variants of established metaheuristics are comprehensively compared on the CEC2017 benchmark suite. In addition, whether these algorithms have a search bias to the center of the search space is investigated. The results show that the performance of the newly proposed EBCM (effective butterfly optimizer with covariance matrix adaptation) algorithm performs comparably to the 4 well performing variants of the established metaheuristics and possesses similar properties and behaviors, such as convergence, diversity, exploration and exploitation trade-offs, in many aspects. The performance of all 15 of the algorithms is likely to deteriorate due to certain transformations, while the 4 state-of-the-art metaheuristics are less affected by transformations such as the shifting of the global optimal point away from the center of the search space. It should be noted that, except EBCM, the other 10 new algorithms proposed mostly during 2019-2020 are inferior to the well performing 2017 variants of differential evolution and evolution strategy in terms of convergence speed and global search ability on CEC 2017 functions.

现实世界优化问题可能具有不同的基础结构。在黑盒优化中，决策变量之间的依赖关系仍然未知。但是，某些技术可以准确发现此类相互作用。在大规模的全球优化（LSGO）中，问题是高维的。显示出将LSGO问题分解为子问题并分别优化它们有效。这种方法的有效性可能高度取决于问题分解的准确性。许多最新的分解策略来自差分组（DG）。但是，如果给定的问题由不可分离的子问题组成，则它们仅检测真实相互作用的能力可能会大大减少。因此，我们提出了不遭受此缺陷的增量递归排名分组（IRRG）。 IRRG比最近基于DG的命题（例如递归DG 3（RDG3））消耗更多的健身功能评估。然而，对于适合RDG3的可添加性可分离子问题而言，嵌入IRRG或RDG3后所考虑的合作共同进化框架的有效性相似。但是，在用非添加的嵌入IRRG代替可分离性后，IRRG会导致质量明显更高的结果。

在本文中，我们提出了一个两阶段优化策略，用于解决名为CCPNRL-GA的大规模旅行推销员问题（LSTSP）。首先，我们假设一个表现出色的人作为精英的参与可以加速优化的收敛性。基于这一假设，在第一阶段，我们将城市聚集并将LSTSP分解为多个子组件，并使用可重复使用的指针网络（PTRNET）优化每个子组件。在亚组件优化之后，我们将所有子巡回仪组合在一起以形成有效的解决方案，该解决方案将与GA的第二阶段相连。我们验证了我们对10个LSTSP的建议的绩效，并将其与传统EAS进行比较。实验结果表明，精英个人的参与可以极大地加速LSTSP的优化，而我们的建议在处理LSTSP方面具有广泛的前景。

最佳实验设计是统计的重要子字段，可最大程度地提高实验成功的机会。在最佳设计领域，D-和A-Aftimal设计是一个非常具有挑战性的问题，即最大程度地减少逆Fisher信息矩阵的决定因素和痕迹。由于灵活性和易于实施，因此，传统的进化算法（EAS）用于处理一小部分实验优化设计问题，而无需数学推导和假设。但是，当前的EAS仍然是确定支持点数，处理不可行的重量解决方案以及实验不足的问题。为了解决上述问题，本文研究了用于在几种不同的统计模型上查找D-和A-最佳设计的差异进化（DE）变体。提出了维修操作，以根据欧几里得距离将相似的支撑点与相应的权重相结合，并以较小的权重删除支撑点，从而自动确定支持点。此外，维修操作还将不可行的重量溶液固定到可行的重量解决方案中。为了丰富我们的最佳设计实验，我们利用所提出的DE变体来测试12个统计模型的D-和A-Aftimal设计问题。与其他竞争对手算法相比，模拟实验表明，Lshade可以在D-和A-Aftimal设计问题上实现更好的性能。

信息科学的快速发展引起的“维度诅咒”在处理大数据集时可能会产生负面影响。在本文中，我们提出了Sparrow搜索算法（SSA）的一种变体，称为帐篷L \'evy飞行麻雀搜索算法（TFSSA），并使用它来选择包装模式中最佳的特征子集以进行分类。 SSA是最近提出的算法，尚未系统地应用于特征选择问题。通过CEC2020基准函数进行验证后，TFSSA用于选择最佳功能组合，以最大化分类精度并最大程度地减少所选功能的数量。将拟议的TFSSA与文献中的九种算法进行了比较。 9个评估指标用于正确评估和比较UCI存储库中21个数据集上这些算法的性能。此外，该方法应用于冠状病毒病（COVID-19）数据集，分别获得最佳的平均分类精度和特征选择的平均数量，为93.47％和2.1。实验结果证实了所提出的算法在提高分类准确性和减少与其他基于包装器的算法相比的选定特征数量方面的优势。

现有的多策略自适应差分演进（de）通常涉及多种策略的试验，然后奖励更好的效率，具有更多资源。但是，剥削或探索战略的试验可能导致过度剥削或过度探索。为了提高性能，本文提出了一种新的策略适应方法，命名为显式适配方案（EA方案），其分离多种策略并将其按需采用它们。通过将演化过程划分为几个具有相似性选择（SCSS）代和自适应代的选择性候选者来完成的。在SCSS世代，通过利用平衡策略来学习利用和探索需求。为了满足这些需求，在自适应世代，另外两种策略，剥削或探索是自适应的。与其变体和其他适应方法相比，基准函数的实验研究证明了EA方案的有效性。此外，具有最先进的进化算法和基于群体智能的算法的性能比较表明EADE非常有竞争力。

In this paper we propose new probabilistic and dynamic (adaptive) strategies to create multi-method ensembles based on the Coral Reefs Optimization with Substrate Layers (CRO-SL) algorithm. The CRO-SL is an evolutionary-based ensemble approach, able to combine different search procedures within a single population. In this work we discuss two different probabilistic strategies to improve the algorithm. First, we defined the Probabilistic CRO-SL (PCRO-SL), which substitutes the substrates in the CRO-SL population by {\em tags} associated with each individual. Each tag represents a different operator which will modify the individual in the reproduction phase. In each generation of the algorithm, the tags are randomly assigned to the individuals with a similar probability, obtaining this way an ensemble with a more intense change in the application of different operators to a given individual than the original CRO-SL. The second strategy discussed in this paper is the Dynamical Probabilistic CRO-SL (DPCRO-SL), in which the probability of tag assignment is modified during the evolution of the algorithm, depending on the quality of the solutions generated in each substrate. Thus, the best substrates in the search process will be assigned with a higher probability that those which showed a worse performance during the search. We test the performance of the proposed probabilistic and dynamic ensembles in different optimization problems, including benchmark functions and a real application of wind turbines layout optimization, comparing the results obtained with that of existing algorithms in the literature.

二进制矩阵优化通常是在现实世界中出现的，例如多微晶网络结构设计问题（MGNSDP），即在某些约束下最小化电源线的总长度。为这些问题找到全球最佳解决方案面临着一个巨大的挑战，因为此类问题可能是大规模，稀疏和多模式。传统的线性编程是耗时的，无法解决非线性问题。为了解决这个问题，提出了一种新颖的可行性规则基于差异进化算法，称为LBMDE。具体来说，首先提出了一种通用启发式溶液初始化方法来生成高质量的解决方案。然后，引入了基于二进制的DE操作员以生产后代。为了处理约束，我们提出了改进的基于可行性规则的环境选择策略。通过一组基准问题来检查LBMDE的性能和搜索行为。

本文提出了一种名为Duck Sharm算法（DSA）的群体智能的优化算法。该算法通过寻找鸭子群的食物来源和觅食行为的启发。通过使用十八个基准函数来验证DSA的性能，其中统计（最佳，平均值，标准偏差和平均运行时间）结果与粒子群优化（PSO），Firefly算法（FA ），鸡肉群优化（CSO），灰狼优化器（GWO），正弦余弦算法（SCA）和海洋捕食者算法（MPA）和ArchImedes优化算法（AOA）。此外，使用比较结果的Wilcoxon Rank-Sum测试，Friedman测试和收敛曲线来证明DSA对其他算法的优越性。结果表明，DSA是在收敛速度和勘探开发平衡方面是求解高维优化功能的高性能优化方法。此外，DSA应用于两个约束工程问题的最佳设计（三条桁架问题，以及锯木厂运行问题）。此外，还用于分析所提出的DSA的性能的四个工程约束问题。总体而言，比较结果表明，DSA是一种有前途和非常竞争力的算法，用于解决不同的优化问题。

在许多科学领域中发现一个有意义的，尺寸同质的，象征性的表达是一个基本挑战。我们提出了一个新颖的开源计算框架，称为科学家机器方程探测器（Scimed），该框架将科学纪律智慧与科学家在循环的方法中融合在一起，并将其与最先进的符号回归（SR）方法相结合。Scimed将基于遗传算法的包装器选择方法与自动机器学习和两个SR方法结合在一起。我们对具有和没有非线性空气动力学阻力的球体沉降的四个配置进行了测试。我们表明，疲惫不堪的人足够坚固，可以从嘈杂的数据中发现正确的物理有意义的符号表达式。我们的结果表明，与最先进的SR软件包相比，这些任务的性能更好。

最近几十年来，已经采用了用于解决各种多主体优化问题（MOPS）的多主体进化算法（MOEAS）的显着进步。但是，这些逐渐改善的MOEAS并不一定配备了精致的可扩展和可学习的解决问题的策略，这些策略能够应对缩放型拖把带来的新的和宏伟的挑战，并不断提高各种方面的复杂性或规模，主要包括昂贵的方面，包括昂贵的方面。功能评估，许多目标，大规模搜索空间，时变环境和多任务。在不同的情况下，它需要不同的思考来设计新的强大MOEAS，以有效地解决它们。在这种情况下，对可学习的MOEAS进行的研究，以机器学习技术进行缩放的拖把，在进化计算领域受到了广泛的关注。在本文中，我们从可扩展的拖把和可学习的MOEAS的分类学开始，然后分析将拖把构成对传统MOEAS的挑战的分析。然后，我们综合概述了可学习的MOEAS的最新进展，以求解各种扩展拖把，主要集中在三个有吸引力的有前途的方向上（即，可学习的环境选择的可学习的进化鉴别器，可学习的进化生物的可学习生殖发生器，以及可学习的进化转移，用于分享或分享或分享或进行分享或可学习的转移。不同问题域之间的经验）。在本文中提供了有关可学习的MOEAS的见解，以参考该领域的努力的一般踪迹。

影响最大化是挖掘社交网络深入信息的关键问题，该信息旨在选择从网络中选择种子以最大程度地增加受影响的节点的数量。为了评估种子套装的影响，现有的努力提出了拟议的代理模型（转换），以较低的计算成本来代替昂贵的蒙特卡洛模拟过程。这些基于网络先验知识的替代转换从各个角度引起具有相似特征的不同搜索行为。对于特定情况，用户很难先验确定合适的转换。在本文中，我们提出了一个多种转化的进化框架，以进行影响最大化（MTEFIM），并保证了融合保证，以利用替代转换的潜在相似性和独特的优势，并避免用户手动确定最合适的转换。在MTEFIM中，将多个转换同时优化为多个任务。每个转换均分配一个进化求解器。进行了MTEFIM的三个主要组成部分：1）根据不同人群的个人（种子集）重叠程度估算转化之间的潜在关系，2）根据转变关系，将个体转移到跨种群中，3）选择最终输出种子集，包含所有代理模型知识。 MTEFIM的有效性在基准和现实世界社交网络上得到了验证。实验结果表明，与几种流行的IM特异性方法相比，MTEFIM可以有效地利用跨多个转换的潜在转移知识，以实现高度竞争性能。可以在https://github.com/xiaofangxd/mtefim上访问MTEFIM的实现。

最佳的井位置和井注射生产对于储层开发至关重要，以最大程度地利用项目寿命。荟萃分析算法在解决复杂，非线性和非连续优化问题方面表现出良好的性能。但是，在优化过程中涉及大量数值模拟运行。在这项工作中，提出了一种新颖，有效的数据驱动的进化算法，称为通用数据驱动的差异进化算法（GDDE），以减少在良好的设置和控制优化问题上运行的模拟数量。概率神经网络（PNN）被用作选择信息性和有前途的候选者的分类器，并且基于欧几里得距离的最不确定的候选者被预先筛选并使用数值模拟器进行评估。随后，局部替代模型是通过径向基函数（RBF）构建的，优化器发现的替代物的最佳构建，由数值模拟器评估以加速收敛。值得注意的是，RBF模型和PNN的形状因子是通过解决高参数次级优化的优化问题来优化的。结果表明，这项研究中提出的优化算法对于二维储层和卵模型的关节优化的良好选择优化问题非常有前途。

算法配置（AC）与对参数化算法最合适的参数配置的自动搜索有关。目前，文献中提出了各种各样的交流问题变体和方法。现有评论没有考虑到AC问题的所有衍生物，也没有提供完整的分类计划。为此，我们引入分类法以分别描述配置方法的交流问题和特征。我们回顾了分类法的镜头中现有的AC文献，概述相关的配置方法的设计选择，对比方法和问题变体相互对立，并描述行业中的AC状态。最后，我们的评论为研究人员和从业人员提供了AC领域的未来研究方向。

大多数机器学习算法由一个或多个超参数配置，必须仔细选择并且通常会影响性能。为避免耗时和不可递销的手动试验和错误过程来查找性能良好的超参数配置，可以采用各种自动超参数优化（HPO）方法，例如，基于监督机器学习的重新采样误差估计。本文介绍了HPO后，本文审查了重要的HPO方法，如网格或随机搜索，进化算法，贝叶斯优化，超带和赛车。它给出了关于进行HPO的重要选择的实用建议，包括HPO算法本身，性能评估，如何将HPO与ML管道，运行时改进和并行化结合起来。这项工作伴随着附录，其中包含关于R和Python的特定软件包的信息，以及用于特定学习算法的信息和推荐的超参数搜索空间。我们还提供笔记本电脑，这些笔记本展示了这项工作的概念作为补充文件。

聚类算法的全面基准是困难的两个关键因素：（i）〜这种无监督的学习方法的独特数学定义和（ii）〜某些聚类算法采用的生成模型或群集标准之间的依赖性的依赖性内部集群验证。因此，对严格基准测试的最佳做法没有达成共识，以及是否有可能在给定申请的背景之外。在这里，我们认为合成数据集必须继续在群集算法的评估中发挥重要作用，但这需要构建适当地涵盖影响聚类算法性能的各种属性集的基准。通过我们的框架，我们展示了重要的角色进化算法，以支持灵活的这种基准，允许简单的修改和扩展。我们说明了我们框架的两种可能用途：（i）〜基准数据的演变与一组手派生属性和（ii）〜生成梳理给定对算法之间的性能差异的数据集。我们的作品对设计集群基准的设计具有足够挑战广泛算法的集群基准，并进一步了解特定方法的优势和弱点。