本文档介绍了生成连续动态优化问题实例的广义移动峰值基准（GMPB）。GMPB产生的景观是通过组装多种可控特性的多种可控特性来构建的，该景观包括从单峰的高度多峰，对称的，对称，平滑地高度不规则，以及各种可变的相互作用和不均匀程度。在本文档中，我们解释了如何通过GMPB的不同参数设置生成这些特征。还解释了GMPB的MATLAB源代码。

动态和多模式特征是两个重要的属性，并且在许多真实世界优化问题中广泛存在。前者说明了这些问题的目标和/或限制随着时间的推移而变化，而后者意味着在每个环境中存在多于一个最佳解决方案（有时包括接受的本地解决方案）。动态多峰优化问题（DMMOPS）具有这些特征，这些特征都在进化计算和群体智能领域中进行了多年，并吸引了越来越多的关注。解决这些问题需要优化算法在更改环境中同时跟踪多个Optima。因此，决策者可以根据他们的经验和偏好挑选每个环境中的一个最佳解决方案，或者当当前一个无法正常工作时，或者快速转向其他解决方案。这对决策者来说非常有帮助，特别是在面临改变环境时。在本次竞争中，给出了关于DMMOPS的测试套装，其中模拟了现实世界的应用程序。具体而言，该测试服采用8个多模函数和8种变化模式来构建24个典型的动态多模态优化问题。同时，还可以给出度量来测量算法性能，这考虑了所有环境中发现的最佳解决方案的平均数。促进动态多式化优化算法的发展将非常有帮助。

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。

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。

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。

我们通过靶向位置突出的精英（PSO-TPME）大大提高了粒子群优化（PSO）的收敛速度和全局勘探能力。这三个关键创新介绍了认知和社会模型中的粒子分类，精英和突变。PSO-TPME针对五个流行的PSO变体进行了基准测试，用于多维函数，这些函数在优化领域中广泛采用，特别是收敛的准确性，收敛速度和发现全局最小值的能力。统计误差通过许多重复评估。该模拟表明，提出的PSO变体在收敛速率和精度按数量级优于其他变体。

在生物启发群体的成群制中拥挤的环境中，最近出现了SALP群优化（SSO）算法并立即获得了很多动量。灵感来自Salp殖民地的特殊空间排列，在领导者之后的长链中移位，该算法似乎提供了有趣的优化性能。然而，原创作品的特点是一些概念和数学缺陷，影响了对象的所有作品。在本手稿中，我们对SSO进行了一次关键审查，突出了文献中存在的所有问题及其对通过该算法进行的优化过程的负面影响。我们还提出了一个数学上正确的SSO版本，名为“修正的SALP Swarm Optimizer（ASSO）”，该SALP Swarm Optimizer（ASSO）修复了所有讨论的问题。我们在一系列定制的实验上基准测试ASOO的表现，表明它能够实现比原始SSO更好的结果。最后，我们进行了广泛的研究，旨在了解SSO及其变体是否提供与其他美术学相比的优势。实验结果，其中SSO不能优于简单的众所周知的核心学，表明科学界可以安全地放弃SSO。

形成控制问题是群体智能领域中最关心的主题之一，通常通过常规数学方法来解决。然而，在本文中，我们提出了一种元疗法方法，该方法利用了一种自然的共同进化策略来解决一群导弹的形成控制问题。导弹群是由具有异质参考目标的二阶系统建模的，并将指数误差函数作为目标函数，以使群体融合到满足某些形成要求的最佳平衡状态。为了关注本地最佳和不稳定进化的问题，我们纳入了一种新颖的基于模型的政策约束和人口适应策略，从而大大减轻了绩效退化。通过在网络通信领域中应用Molloy reed标准，我们开发了一种自适应拓扑方法，该方法可以通过理论和实验验证节点失败及其有效性下的连通性及其有效性。实验结果有助于提议的形成控制方法的有效性。更重要的是，我们表明将通用形成控制问题视为马尔可夫决策过程（MDP）并通过迭代学习解决它是可行的。

尽管近年来对受约束的多目标优化的兴趣日益越来越大，但受约束的多目标优化问题（CMOPS）仍然不令人满意，理解和表征。因此，困难且缺乏正式背景的适当CMOPS的选择。我们通过扩展横向分析来解决该问题，以限制多目标优化。通过采用四种探索性景观分析技术，我们提出了29个景观特征（其中19个是新颖的）来表征CMOPS。然后，这些景观特征用于比较八个常用的人工测试套针对基于物理模型的现实世界问题的最近提出的套件。实验结果表明，人工测试问题未能充分代表一些现实特征，例如目标和约束之间的强负相关性。此外，我们的研究结果表明，所有学习的人工测试套件都具有优缺点，并且不存在“完美”套件。基准设计人员可以使用所获得的结果根据他们想要探索的特征来选择或生成适当的CMOP实例。

在多目标优化中，一组具有各种功能的可扩展测试问题使研究人员可以调查和评估不同优化算法的能力，因此可以帮助他们设计和开发更有效，更有效的方法。现有的测试问题套件主要集中在所有目标彼此完全冲突的情况下。在这种情况下，目标空间中的M-Obigntive优化问题具有（M-1）维帕累托前沿。但是，在某些优化问题中，目标之间可能存在意外的特征，例如冗余。某些目标的冗余可能会导致具有堕落的帕累托正面的多物镜问题，即，$ m $ - 目标问题的帕累托正面的尺寸小于（M-1）。在本文中，我们系统地研究了退化的多目标问题。我们抽象了退化问题的三个一般特征，这些特征未在文献中进行制定和系统地研究。基于这些特征，我们提出了一组测试问题，以支持在具有冗余目标的情况下对多目标优化算法进行研究。据我们所知，这项工作是第一项明确提出退化问题的三个特征，从而使所得的测试问题的一般性具有一般性的特征，与为特定目的设计的现有测试问题相比（例如，可视化），则允许所得的测试问题。 ）。

多模式的多目标问题（MMOP）通常在现实世界中出现，而决策空间中遥远的解决方案对应于非常相似的目标值。为了获得MMOP的所有溶液，已经提出了许多多模式多模式的多模型进化算法（MMEAS）。目前，很少有研究涵盖了最近提出的大多数代表性MMEAS，并进行了比较。在这项研究中，我们首先回顾了过去二十年中相关作品。然后，我们选择了12种利用不同多样性维护技术的最先进的算法，并比较了它们在现有测试套件上的性能。实验结果表明，不同类型的MMOP上不同技术的优势和劣势，从而为如何在特定情况下选择/设计MMEAS提供指导。

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。

Many real-world problems are usually computationally costly and the objective functions evolve over time. Data-driven, a.k.a. surrogate-assisted, evolutionary optimization has been recognized as an effective approach for tackling expensive black-box optimization problems in a static environment whereas it has rarely been studied under dynamic environments. This paper proposes a simple but effective transfer learning framework to empower data-driven evolutionary optimization to solve dynamic optimization problems. Specifically, it applies a hierarchical multi-output Gaussian process to capture the correlation between data collected from different time steps with a linearly increased number of hyperparameters. Furthermore, an adaptive source task selection along with a bespoke warm staring initialization mechanisms are proposed to better leverage the knowledge extracted from previous optimization exercises. By doing so, the data-driven evolutionary optimization can jump start the optimization in the new environment with a strictly limited computational budget. Experiments on synthetic benchmark test problems and a real-world case study demonstrate the effectiveness of our proposed algorithm against nine state-of-the-art peer algorithms.

The local optima network model has proved useful in the past in connection with combinatorial optimization problems. Here we examine its extension to the real continuous function domain. Through a sampling process, the model builds a weighted directed graph which captures the function's minima basin structure and its interconnection and which can be easily manipulated with the help of complex networks metrics. We show that the model provides a complementary view of function spaces that is easier to analyze and visualize, especially at higher dimension. In particular, we show that function hardness as represented by algorithm performance, is strongly related to several graph properties of the corresponding local optima network, opening the way for a classification of problem difficulty according to the corresponding graph structure and with possible extensions in the design of better metaheuristic approaches.

我们通过反馈信息研究了离线和在线上下文优化的问题，而不是观察损失，我们会在事后观察到最佳的动作，而是对目标功能充分了解的甲骨文。我们的目标是最大程度地减少遗憾，这被定义为我们的损失与全知的甲骨所产生的损失之间的区别。在离线设置中，决策者可以从过去段中获得信息，并且需要做出一个决策，而在在线环境中，决策者在每个时期内都会动态地基于一组新的可行动作和上下文功能，以动态进行决策。 。对于离线设置，我们表征了最佳的最小策略，确定可以实现的性能，这是数据引起的信息的基础几何形状的函数。在在线环境中，我们利用这种几何表征来优化累积遗憾。我们开发了一种算法，该算法在时间范围内产生了对数的第一个遗憾。

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。

In this study, we consider simulation-based worst-case optimization problems with continuous design variables and a finite scenario set. To reduce the number of simulations required and increase the number of restarts for better local optimum solutions, we propose a new approach referred to as adaptive scenario subset selection (AS3). The proposed approach subsamples a scenario subset as a support to construct the worst-case function in a given neighborhood, and we introduce such a scenario subset. Moreover, we develop a new optimization algorithm by combining AS3 and the covariance matrix adaptation evolution strategy (CMA-ES), denoted AS3-CMA-ES. At each algorithmic iteration, a subset of support scenarios is selected, and CMA-ES attempts to optimize the worst-case objective computed only through a subset of the scenarios. The proposed algorithm reduces the number of simulations required by executing simulations on only a scenario subset, rather than on all scenarios. In numerical experiments, we verified that AS3-CMA-ES is more efficient in terms of the number of simulations than the brute-force approach and a surrogate-assisted approach lq-CMA-ES when the ratio of the number of support scenarios to the total number of scenarios is relatively small. In addition, the usefulness of AS3-CMA-ES was evaluated for well placement optimization for carbon dioxide capture and storage (CCS). In comparison with the brute-force approach and lq-CMA-ES, AS3-CMA-ES was able to find better solutions because of more frequent restarts.

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。

With the development of experimental quantum technology, quantum control has attracted increasing attention due to the realization of controllable artificial quantum systems. However, because quantum-mechanical systems are often too difficult to analytically deal with, heuristic strategies and numerical algorithms which search for proper control protocols are adopted, and, deep learning, especially deep reinforcement learning (RL), is a promising generic candidate solution for the control problems. Although there have been a few successful applications of deep RL to quantum control problems, most of the existing RL algorithms suffer from instabilities and unsatisfactory reproducibility, and require a large amount of fine-tuning and a large computational budget, both of which limit their applicability. To resolve the issue of instabilities, in this dissertation, we investigate the non-convergence issue of Q-learning. Then, we investigate the weakness of existing convergent approaches that have been proposed, and we develop a new convergent Q-learning algorithm, which we call the convergent deep Q network (C-DQN) algorithm, as an alternative to the conventional deep Q network (DQN) algorithm. We prove the convergence of C-DQN and apply it to the Atari 2600 benchmark. We show that when DQN fail, C-DQN still learns successfully. Then, we apply the algorithm to the measurement-feedback cooling problems of a quantum quartic oscillator and a trapped quantum rigid body. We establish the physical models and analyse their properties, and we show that although both C-DQN and DQN can learn to cool the systems, C-DQN tends to behave more stably, and when DQN suffers from instabilities, C-DQN can achieve a better performance. As the performance of DQN can have a large variance and lack consistency, C-DQN can be a better choice for researches on complicated control problems.

Benchmarking is a key aspect of research into optimization algorithms, and as such the way in which the most popular benchmark suites are designed implicitly guides some parts of algorithm design. One of these suites is the black-box optimization benchmarking (BBOB) suite of 24 single-objective noiseless functions, which has been a standard for over a decade. Within this problem suite, different instances of a single problem can be created, which is beneficial for testing the stability and invariance of algorithms under transformations. In this paper, we investigate the BBOB instance creation protocol by considering a set of 500 instances for each BBOB problem. Using exploratory landscape analysis, we show that the distribution of landscape features across BBOB instances is highly diverse for a large set of problems. In addition, we run a set of eight algorithms across these 500 instances, and investigate for which cases statistically significant differences in performance occur. We argue that, while the transformations applied in BBOB instances do indeed seem to preserve the high-level properties of the functions, their difference in practice should not be overlooked, particularly when treating the problems as box-constrained instead of unconstrained.