我们考虑通过删除指定的线路从更大的一个构造从更大的阵列（OA）构建二进制正交阵列（OA）的优化问题。特别地，我们开发一种遗传算法（GA），其中底层染色体是指定从起始OA取消的线路的恒定重量二进制字符串。然后通过平衡的交叉和突变算子来演化这种染色体以保持它们中的数量。健身功能通过测量从比起始的OA的约束量测量它们的距离来评估从这些染色体获得的基质。我们通过将初始OA制定作为基本奇偶校验阵列的几个块的随机置换来执行提出的遗传算法的初步实验验证，从而保证了最佳解决方案的存在。

我们继续研究遗传算法（GA）在组合优化问题上，候选解决方案需要满足平衡性约束。已经观察到，临时交叉和突变操作员授予的搜索空间大小的减小通常不会转化为GA性能的实质性改善。尽管怀疑平衡的代表可能会产生更不规则的健身景观，但仍然没有明确的解释，尽管该景观可能会更难以使GA融合到全球最佳距离。在本文中，我们通过将局部搜索步骤添加到具有平衡运算符的GA，并使用它来进化高度非线性平衡的布尔功能，从而调查此问题。特别是，我们围绕两个研究问题组织了实验，即如果本地搜索（1）提高了GA的收敛速度，并且（2）降低了人口多样性。令人惊讶的是，尽管我们的结果肯定地回答了第一个问题，但他们还表明，添加本地搜索实际上\ emph {增加}人口中个人之间的多样性。我们将这些发现与有关布尔功能问题的健身景观分析的最新结果联系起来。

组合设计提供了一个有趣的优化问题来源。其中，给出了在电力线通信，闪存和块密码中的应用程序的应用特别感兴趣。本文通过开发迭代方法来解决进化算法（EA）的排列码的设计。从单个随机排列开始，通过使用基于置换的ea来逐渐增加满足最小距离约束的新排列。我们调查了针对四种不同的健身功能的方法，针对不同级别的细节的最小距离要求，并有两种不同的关于代码扩展和修剪的政策。我们比较我们的EA方法实现的结果，即简单的随机搜索，答案既没有用问题大小衡量。

传统的统计技术或元启发式学很难解决大多数现实世界的优化问题。主要困难与存在相当数量的局部Optima有关，这可能导致优化过程的过早收敛性。为了解决这个问题，我们提出了一种新型的启发式方法，用于构建原始功能的平滑替代模型。替代功能更容易优化，但保持原始坚固的健身景观的基本属性：全球最佳的位置。为了创建这样的替代模型，我们考虑通过自我调整健身函数增强的线性遗传编程方法。所提出的称为GP-FST-PSO替代模型的算法在搜索全局最优值和原始基准函数的视觉近似（在二维情况下）的视觉近似都可以达到令人满意的结果。

S-boxes are an important primitive that help cryptographic algorithms to be resilient against various attacks. The resilience against specific attacks can be connected with a certain property of an S-box, and the better the property value, the more secure the algorithm. One example of such a property is called boomerang uniformity, which helps to be resilient against boomerang attacks. How to construct S-boxes with good boomerang uniformity is not always clear. There are algebraic techniques that can result in good boomerang uniformity, but the results are still rare. In this work, we explore the evolution of S-boxes with good values of boomerang uniformity. We consider three different encodings and five S-box sizes. For sizes $4\times 4$ and $5\times 5$, we manage to obtain optimal solutions. For $6\times 6$, we obtain optimal boomerang uniformity for the non-APN function. For larger sizes, the results indicate the problem to be very difficult (even more difficult than evolving differential uniformity, which can be considered a well-researched problem).

4月20日至22日，在马德里（西班牙）举行的EVO* 2022会议上提交了末期摘要。这些论文介绍了正在进行的研究和初步结果，这些结果研究了对不同问题的不同方法（主要是进化计算）的应用，其中大多数是现实世界中的方法。

分类是数据挖掘和机器学习领域中研究最多的任务之一，并且已经提出了文献中的许多作品来解决分类问题，以解决多个知识领域，例如医学，生物学，安全性和遥感。由于没有单个分类器可以为各种应用程序取得最佳结果，因此，一个很好的选择是采用分类器融合策略。分类器融合方法成功的关键点是属于合奏的分类器之间多样性和准确性的结合。借助文献中可用的大量分类模型，一个挑战是选择最终分类系统的最合适的分类器，从而产生了分类器选择策略的需求。我们通过基于一个称为CIF-E（分类器，初始化，健身函数和进化算法）的四步协议的分类器选择和融合的框架来解决这一点。我们按照提出的CIF-E协议实施和评估24种各种集合方法，并能够找到最准确的方法。在文献中最佳方法和许多其他基线中，还进行了比较分析。该实验表明，基于单变量分布算法（UMDA）的拟议进化方法可以超越许多著名的UCI数据集中最新的文献方法。

过去已经表明，与解决多模式问题生成器的解决实例相比，多座丘陵策略与标准遗传算法相比有利。我们扩展了这项工作，并验证遗传算法中多样性保存技术的利用是否改变了比较结果。在两种情况下，我们这样做：（1）​​目标是找到全局最佳距离时，（2）当目标是找到所有Optima时。进行了数学分析，用于多设山丘算法，并通过实证研究进行了经验研究，以求解多模式问题生成器的实例，其中包括山丘策略以及遗传算法的数量，并使用遗传算法进行了元素。尽管小甲基元素改善了遗传算法的性能，但它仍然不如这类问题上的多尽山关闭策略。还提出了一种理想化的细分策略，并认为它的性能应接近任何进化算法在此类问题上可以做到的。

本文描述了进化算法的固有力量。该功率取决于遗传编码的计算特性。有了一些编码，两个父母与简单的跨界操作员重新组合可以从儿童表型的任意分布中取样。此类编码在本文中称为\ emph {表达式编码}。通用函数近似值，包括遗传编程和神经网络的流行进化底物，可用于构建表达性编码。值得注意的是，这种方法不必仅应用于表型是一个函数的域：即使优化静态结构（例如二进制向量），也可以达到表现力。这样简单的设置使理论上表征表达性编码是可能的：在各种测试问题上，表达性编码被证明可以实现超过标准直接编码的超级指数收敛的速度。结论是，在诸如遗传编程，神经进化，遗传算法和理论之类的进化计算领域中，表达式编码可以成为理解和实现全部进化力量的关键。

最近，已经进行了NSGA-II的第一个数学运行时分析，这是最常见的多目标进化算法（Zheng，Liu，Doerr（AAAI 2022））。继续这一研究方向，我们证明了NSGA-II在使用交叉时，渐近渐近地测试了OneJumpZeroJump基准测试。这是NSGA-II首次证明这种交叉的优势。我们的论点可以转移到单目标优化。然后，他们证明，跨界可以以不同的方式加速$（\ MU+1）$遗传算法，并且比以前更为明显。我们的实验证实了交叉的附加值，并表明观察到的加速度甚至比我们的证明所能保证的要大。

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。

$（1 +（\ lambda，\ lambda））$遗传算法是一种较年轻的进化算法，试图从劣质解决方案中获利。关于单峰的健身功能的严格运行时分析表明它确实可以比古典进化算法更快，但在这些简单的问题上，收益只有中等。在这项工作中，我们在多模式问题类中进行了该算法的第一个运行时分析，跳跃功能基准。我们展示了使用正确的参数，\ ollga优化任何跳跃尺寸$ 2 \ Le K \ Le N / 4 $的任何跳跃功能，在预期的时间$ O（n ^ {（k + 1）/ 2} e ^ {o（ k）}} k ^ { - k / 2}），它显着且已经持续了〜$ k $优于基于标准的突变的算法与他们的$ \ theta（n ^ k）$运行时与它们的标准交叉的算法$ \ tilde {o}（n ^ {k-1}）$运行时保证。对于离开局部跳跃功能的局部最佳的孤立问题，我们确定了导致$（n / k）^ {k / 2} e ^ {\ theta（k）} $的运行时间的最佳参数。这表明有关如何设置\ ollga的参数的一般建议，这可能会缓解该算法的进一步使用。

近年来，由于需要更强大的计算方法，优化问题变得越来越普遍。随着人工智能等技术的最近出现，需要新的综合学，增强古典算法的能力。最近，研究人员一直在寻找查尔斯达尔文的自然选择和演变的理论，作为使用机器学习加强电流方法的手段。1960年，第一个遗传算法由John H. Holland和他的学生开发。我们探讨了使用高斯突变的发展系统中遗传算法的数学直觉，以及在解决优化问题方面的影响。

图形着色问题（GCP）是计算机科学中最受研究的NP艰难问题之一。给定图形，任务是为所有顶点分配颜色，使得没有共享边缘的顶点接收相同的颜色并且使用的颜色的数量是最小的。已经应用了不同的启发式，元启发式，机器学习和混合解决方法来获得解决方案。解决这个问题，我们使用进化算法的突变。为此目的，我们介绍了图形着色问题的二进制编码。这种二进制编码有助于我们轻松突变，评估，免疫系统和合并颜色，并动态减少着色。在用于图形着色的传统进化算法（EA）中，使用k着色方法​​，并重复运行EA直到达到最低点。在我们的论文中，我们从色度数字的理论上限开始，即最大程度+ 1和进化过程中的一些颜色是未使用的，以动态减少每一代中的颜色数量。我们测试几个标准的Dimacs基准并比较怨恨纸张。最大结果与预期的色彩颜色相同，并且很少的数据集大于预期的色度

荟萃疗法是无梯度和与问题无关的搜索方法。他们在解决学术界和行业的各种优化问题方面取得了巨大成功。自动化元启发式算法设计是人为设计的有前途的替代方法。本文提出了一个方法学框架Autoopt，用于自动设计用于优化问题的元启发式算法。Autoopt包括：（1）评估设计算法性能的双层标准；（2）从设计算法的决策空间的一般模式；（3）代表设计算法的混合图和实际数字表示；（4）一种无模型的方法来进行设计过程。Autoopt受益于学术研究人员和实践用户，他们努力设计用于优化问题的元启发式算法。一项现实世界中的案例研究表明了自动的有效性和效率。

跳跃功能是随机搜索启发式理论中的{最多研究的非单峰基准，特别是进化算法（EA）。他们对我们的理解显着改善了EASE逃离当地最优的理解。然而，他们的特殊结构 - 离开本地最佳的结构只能直接跳到全球最优 - 引发代表性这种结果的问题。出于这个原因，我们提出了一个扩展的$ \ textsc {jump} _ {k，\ delta} $ jump函数，其中包含宽度$ \ delta $的低适合度vally以距离$ k $从全局最佳v $开始。我们证明了几个以前的结果延伸到这一更普遍的类：对于所有{$ k \ le \ frac {n ^ {1/3}} {\ ln {n}} $}和$ \ delta <k $，最佳$（1 + 1）$〜EA的突变率是$ \ FRAC {\ delta} $，并且快速$（1 + 1）$〜EA运行比经典$（1 + 1）$更快〜ea在$ \ delta $中的一个超级指数。但是，我们还观察到一些已知结果不概括：随机本地搜索算法具有停滞检测，其比$ \ textsc的$ k $ k $ k $ k $ k $ k $ k $ x $ \ textsc {跳} _K $，在某些$ \ textsc {jump} _ {k，\ delta} $实例上以$ n $的因子多项式慢。计算地，新类允许使用更宽的健身谷的实验，特别是当它们远离全球最佳时。

为了更好地了解进化算法（EAS）如何应对恒定健身的平台的理论理解，我们提出了$ N $ -dimensional高原$ _K $函数作为天然基准，分析$（1 + 1）$的不同变体EA优化它。高原$ _K $函数在最佳的半径k $的半径k $的第二个最佳健身高原。作为进化算法，我们使用任意无偏的突变算子以$（1 + 1）$ EA。用$ \ alpha $ \ alpha $ \ alpha的随机数量在这个运算符的应用中，并假设$ \ pr [\ alpha = 1] $至少具有一些小的子常值，我们展示了所有常量的令人惊讶的结果$ k \ ge 2 $，运行时$ t $遵循靠近几何一个的分布，其中成功概率等于翻转的概率为1 $和$ k $ bits除以高原的大小。因此，预期的运行时是该号码的倒数，因此只取决于翻转1美元和$ k $位之间的概率，而不是突变运算符的其他特征。我们的结果也意味着这里标准位突变的最佳突变率约为k /（en）$。我们的主要分析工具是在搜索点空间和汉明级空间上的马尔可夫链的综合分析，这是一种对其他高原问题也有用的方法。

大多数进化算法具有多个参数，它们的值大大影响性能。由于参数的常复相互作用，将这些值设置为特定问题（参数调整）是一个具有挑战性的任务。当最佳参数值在算法运行期间最佳参数值发生显着变化时，此任务变得更加复杂。然后是必要的动态参数选择（参数控制）。在这项工作中，我们提出了一个懒惰但有效的解决方案，即从一个适当缩放的幂律分布中随机地选择所有参数值（在那里这是有意义的）。为了展示这种方法的有效性，我们使用以这种方式选择的所有三个参数执行$（1 +（\ lambda，\ lambda））$遗传算法的运行时分析。我们展示该算法一方面可以模仿像$（1 + 1）$ EA这样的简单山羊，给出了onemax，领导者或最小生成树等问题的相同渐近运行时。另一方面，该算法对跳跃功能也非常有效，其中最佳静态参数与优化简单问题所需的静态参数非常不同。我们证明了具有可比性的性能保证，有时比静态参数所知的最佳性能更好。我们通过严格的实证研究来补充我们的理论结果，证实了渐近运行时期结果的建议。

在实际优化方案中，要求我们解决的问题实例可能会在优化过程中发生变化，例如，当可用新信息或环境条件发生变化时。在这种情况下，人们可以希望通过从最佳解决方案的最佳解决方案继续进行搜索来实现合理的绩效。同样，人们可能希望，在解决彼此相似的几个问题实例时，````温暖启动'''第二个实例的优化过程是通过第一个实例的最佳解决方案的优化过程。但是，在[Doerr等人，GECCO 2019]中显示，即使使用结构良好的解决方案初始化，进化算法也可能具有通过结构上更糟糕的解决方案替换这些良好溶液的趋势，从而导致优化时间与没有优化的时间相比没有优化的时间。相同的算法从头开始。 Doerr等人。还提出了一种克服这个问题的多样性机制。他们的方法平衡了围绕当前问题的最佳解决方案的贪婪搜索，并在上一个实例的最佳发现解决方案周围进行搜索。在这项工作中，我们首先表明Doerr等人建议的重新优化方法。当问题实例容易发生更频繁的更改时，达到限制。更确切地说，我们证明它们被陷入了动态领导问题问题，目标字符串定期更改。然后，我们提出了其算法的修改，该算法在围绕先前最佳和当前最佳解决方案围绕贪婪的搜索进行了插值。我们从经验上评估了具有各种变化频率和不同扰动因素的前导者实例上的平滑重优化算法，并表明它表现出优于完全重新启动的（1+1）进化算法和Doerr等人的重新挑选方法。

在本文中，提出了一种基于知识的基于知识的遗传算法，用于在非结构化复杂环境中移动机器人的路径规划，其中提出了五个特定于问题的操作员以进行有效的机器人路径计划。提出的遗传算法将机器人路径计划的领域知识纳入其专业操作员，其中一些也结合了局部搜索技术。提出了一种独特而简单的表示，并开发了一种简单但有效的路径评估方法，可以准确检测到碰撞，并且机器人路径的质量得到很好的反映。所提出的算法能够在静态和动态复杂环境中找到近乎最佳的机器人路径。通过模拟研究证明了所提出算法的有效性和效率。通过比较研究证明了专业遗传算子在解决机器人路径计划问题的拟议遗传算法中的不可替代作用。