j2k3l4的博客

本文研究基于Elman网络的选择超启发式在离线学习中的应用，探讨了域内与域间学习的差异。通过HyFlex框架生成包含四个问题域的离线数据库，利用BEST序列训练Elman网络，实验表明其在域内学习中具有良好的学习与泛化能力，能生成优于最佳经验序列的启发式选择序列；而在域间学习中泛化能力有限。研究进一步分析了训练集构建、网络评估方法及统计检验结果，并提出未来在训练集优化、网络参数调整和多方法融合方面的改进方向。

本文探讨了自动化配置与离线学习在优化算法中的应用。首先，通过irace对GCC编译器的优化标志（GCCflags）及包含数值参数的配置（GCCflags + num）进行调优，实验表明其能显著提升算法执行效率，优于默认的-O3优化级别，并分析了不同基准测试下的关键优化参数。其次，研究基于Elman网络的选择超启发式离线学习方法，在HyFlex基准集上构建序列数据库，利用递归神经网络学习有效启发式子序列，实现了域内99%置信度的泛化能力，但跨域泛化仍具挑战。最后对比了不同配置与学习方法的优劣，提出了未来在扩展

本文探讨了利用irace进行GCC编译器选项自动配置以优化算法性能的方法。通过定义包含分类与整数参数的搜索空间，在多个优化算法基准上进行实验，验证了irace在无需先验知识的情况下显著提升程序执行效率的能力。研究分析了优化选项、场景同质性、算法随机性和硬件平台对性能的影响，并展示了不同配置场景下的加速比结果。最后提出了未来在扩展基准、优化策略及环境因素方面的研究方向。

本文探讨了LIDeOGraM交互式进化建模工具在乳酸乳球菌抗冷冻干燥研究中的应用，以及使用Irace对GCC进行自动配置以优化算法执行性能的方法。通过结合专家知识与自动化搜索，LIDeOGraM实现了多尺度、多步骤过程的建模优化；而Irace则显著提升了编译后程序的运行效率，最多可比-O2和-O3优化级别提升40%的性能。文章详细介绍了两种方法的操作流程、实验结果及优缺点，并展望了未来改进方向，展示了自动化配置与交互式建模在科研与软件开发中的巨大潜力。

本文深入探讨了基于进化算法的色调映射图像质量优化与LIDeOGraM交互式建模工具两项关键技术。前者通过低维参数空间优化显著提升图像质量与处理效率，后者结合专家知识与符号回归实现复杂系统建模，具备良好的交互性与可扩展性。文章分析了二者的优势、挑战及未来发展方向，并总结其在图像处理与多领域系统建模中的应用潜力。

本文探讨了进化学习在消防策略和色调映射图像质量优化中的应用。重点研究了基于通用色调映射算子（TMO）的进化算法（EA）对TMQI-II指数的优化性能，并与Ma等人提出的高维优化方法进行对比。实验表明，进化算法在低维参数空间中具有更高的计算效率，能在短时间内显著提升图像质量，且生成结果在不同起始点间具有一致性。同时，分析指出Ma等人算法获得的更高TMQI-II分数因量化限制在实际应用中难以体现优势。文章还提出了图像缩放和逐步增大尺寸等策略以进一步减少优化时间，最后给出了根据应用场景选择合适算法的建议。

本文探讨了基于进化算法的消防策略学习方法，重点研究火灾包围和高速公路保护两种场景。通过适应度评估与进化优化，分别发现了不同预算和起始条件下有效的策略模式，并指出c1.5为关键阈值。文章总结了实验结果，提出了对称交替与不对称对角等策略，并展望未来在理论证明与上下界问题上的研究方向，旨在提升消防策略的智能化与有效性。

本文探讨了异构蚁群算法（H-ACO）在旅行商问题中的应用，通过引入具有多样化行为的人工蚂蚁，显著提升了算法性能，尤其在Ant System上表现突出，并对参数设置展现出良好鲁棒性。同时，研究采用进化学习方法解决动态环境下的消防问题，在离散网格中建模火势蔓延与围堵过程，针对不同预算c值设计策略，成功获取c2时的最优解及c≥1.7时的近似最优策略。进一步探索了保护高速公路场景下的合理防御布局，实验表明靠近火源构建连贯屏障更有效，提出了小预算下单屏障、大预算下多屏障的策略推测。整体展示了智能优化算法在复杂动态问题

本文提出了一种用于解决旅行商问题（TSP）的异构蚁群优化算法（H-ACO），通过在个体层面引入蚂蚁行为的异构性，为每只蚂蚁分配不同的启发式参数α和β，从而增强算法在搜索空间中的探索与开发平衡。研究在AS和MMAS基础上构建了HAS和HMMAS算法，并通过多个TSP实例验证其性能。实验结果表明，异构性显著提升了算法的寻优能力，尤其在找到更优解的频率和接近最优解的稳定性方面优于传统方法。此外，通过对最佳路径蚂蚁的α和β值分析，揭示了不同问题规模下参数分布的偏好。最后，文章总结了H-ACO的优势，并展望了参数优化

本文探讨了优化算法在二次分配问题（QAP）和旅行商问题（TSP）中的应用与性能表现。针对QAP，分析了三种分布式混合迭代禁忌搜索算法（D-HITS、DISCO-HITS-GD、DISCO-HITS-UX）的实验结果，表明引入信息交换机制和均匀交叉算子能显著提升求解质量与鲁棒性；对于TSP，介绍了异构蚁群优化（H-ACO）方法，通过引入蚂蚁个体间的异质性增强算法的探索能力，有效改善了传统ACO的局限。文章还对比了多种算法在不同实例上的偏差、求解次数及大规模问题处理能力，并总结了当前算法在平衡探索与利用、鲁棒性

本文介绍并比较了三种分布式混合迭代禁忌搜索算法（D-HITS、DISCO-HITS-GD和DISCO-HITS-UX）在求解二次分配问题（QAP）中的性能。这些算法结合了禁忌搜索、自适应多样化策略和不同形式的信息交换机制，旨在提升大规模实例下的搜索效率与解的质量。实验基于QAPLIB标准实例进行，结果表明，在小规模问题上三种算法均表现良好，而在大规模问题中，引入均匀交叉的DISCO-HITS-UX表现更优。文章最后提出了未来研究方向，包括参数优化、新多样化策略探索及信息交换机制改进。

本文介绍了一种新型高层接力混合元启发式算法MSS，该算法结合了MLSDO、SHADE和SPSO2011三种算法，通过接力式流程在黑盒优化问题中实现高效搜索。实验表明，MSS在高维问题上表现优异，尤其在BBOB 2015和BBComp竞赛中取得前列成绩，但在低维问题上仍有改进空间。文章分析了各组件的贡献与维度适应性，并提出了替换局部搜索、升级算法组件及引入机器学习等优化方向，为未来混合元启发式算法的研究提供了参考。

本文探讨了优化算法在图像重建和黑盒优化中的应用。研究分析了不同突变算子组合对Jaszczak幻影图像重建效果的影响，发现双重与定向突变结合（如配置0101）在NCC指标上表现优异；同时提出高等级中继混合（HRH）元启发式算法，融合MLSDO、SHADE和SPSO2011三种算法，通过顺序执行实现探索与利用的平衡，在BBOB和BBComp基准测试中展现出良好性能。研究表明，合理组合突变策略可提升重建精度，而混合元启发式方法能有效应对复杂黑盒优化问题。

本文研究了Fly算法在正电子发射断层扫描（PET）图像重建中的应用，重点探讨了四种变异算子（基本变异、自适应变异方差、双变异和定向变异）的设计原理、实现机制及其对重建效果的影响。Fly算法作为巴黎方法框架下的快速进化算法，通过种群中‘苍蝇’个体的优化来逼近真实投影数据，从而实现3D放射性浓度分布的估计。文章分析了各变异算子在探索与开发之间的平衡能力，比较了其在自动化程度、管理成本和搜索效率方面的优劣，并指出合理选择或组合变异算子可显著提升PET图像重建的准确性与计算效率。

本文介绍了两种创新的计算方法：MEMSA和Fly算法，分别应用于生物信息学中的多序列比对和医学成像中的PET图像重建。MEMSA基于Parisian进化方法，通过将全局比对问题分解为局部‘补丁’进行优化，有效解决了传统MSA方法在适应度函数选择和计算复杂度上的难题，并在BAliBASE基准测试中表现出与ClustalW相当且更稳定的准确性。Fly算法是一种合作协同进化算法，用于3-D点优化，在PET重建中引入四种自适应变异算子（基本变异、自适应变异方差、双重变异、定向变异），显著提升了重建精度与收敛速度。文

本文探讨了动态遗传编程中的动态适应度案例（DFC）方法，相较于传统的静态适应度案例（SFC），DFC通过Kendall Tau距离（KTD）能根据变化程度自适应调整生成个体数量，显著减少程序大小并提升搜索效率。同时，提出了一种新的多维多序列比对方法MEMSA，基于巴黎进化方法和EASEA平台，通过进化‘补丁’并组合高得分子对齐，实现高质量的多维比对。实验表明，MEMSA在BAliBASE基准上表现良好，与ClustalW相当。两种方法分别在遗传编程优化和生物信息学序列分析中展现出广阔的应用前景。

本文探索了在遗传编程中使用动态适应度案例和基于肯德尔tau距离（KTD）的多样性促进方法。通过逐步聚合适应度案例，使搜索过程更易进行，并在动态环境中利用KTD衡量适应度排名变化，智能决定种群中需替换的个体数量。实验在静态与动态环境下对多个符号回归问题进行了测试，结果表明，所提出的方法在复杂函数求解和应对环境变化方面显著优于传统静态方法，尤其在成功率和平均最佳适应度上表现突出。

本文研究了遗传编程中基于语义的交叉与动态适应度案例的应用。通过实验对比子树交叉与语义交叉在多个基准问题上的表现，发现语义交叉在多数问题上提升了测试适应度，并能更有效地生成语义不同的子代，但存在高随机交叉比例带来的效率问题。同时，提出动态适应度案例方法，使系统在静态和动态优化问题中具备更强的鲁棒性，并结合KTD机制促进种群多样性。文章分析了两种方法的优势与挑战，提出了未来优化方向，包括改进语义相似度测量、完善案例聚合策略、融合两种方法及拓展实际应用领域，为遗传编程的性能提升提供了新思路。

本文探讨了采样游走在二进制适应度景观探索和基于语义交叉在程序合成中的应用。通过分析NK和UBQP景观的粗糙度特征，采样游走算法展现出与景观结构密切相关的搜索效率；而在程序合成中，引入语义信息的交叉算法显著提升了子代的质量与性能。研究总结了两种方法的优势，并展望了未来在更广泛景观类型和多类型语义融合中的优化潜力。

本文研究了部分邻域局部搜索算法在二元适应度景观上的性能，提出并分析了采样游走（SW）和ID游走等算法。通过在NK景观和无约束二元二次规划（UBQP）问题上的实验，比较了这些算法与迭代局部搜索（ILS）和禁忌搜索（TS）的性能。结果表明，SW在NK景观上表现优异且不受崎岖性影响，而TS在UBQP景观上更具优势。研究还揭示了算法性能与景观结构之间的关系，并强调了参数设置对搜索效率的重要性，为优化算法的选择与设计提供了理论依据和实践指导。

本文研究了一个具有昂贵适应度函数的现实世界黑盒组合优化问题，提出并实现了基于主-从架构的异步(1 + λ)-EA算法。通过系统分析变异参数对算法性能的影响，并结合适应度景观特征（如自相关长度和中性率），发现更大的变异范围（r0.5）和适中的变异率（p0.3）能显著提升优化效果，使控制准则改善近65%。实验表明，在大规模并行环境下，更崎岖的适应度景观反而有利于算法性能。未来工作将聚焦于减少核电厂排放废水，并设计高效的双目标优化算法以实现轴向功率偏移与环保指标的协同优化。

本文提出一种基于适应度景观分析的异步主从式进化算法，用于解决核反应堆运行优化（NROO）中的控制棒离线调优问题。面对高计算成本、大规模组合搜索空间和未知适应度函数特性的挑战，该方法通过随机游走分析适应度景观的崎岖度与中性率，指导变异参数的离线调优，提升搜索效率。所提出的并行架构充分利用计算资源，显著加快收敛速度。实验结果表明，该算法在最优解质量和收敛性能上均优于传统方法，为应对间歇性可再生能源带来的电网波动提供了有效的核能调控解决方案，并为后续多目标优化奠定基础。

本文系统比较了随机局部搜索中多种接受准则（如LAHC、SA、GSA、TA、RTR、GDA等）在二次分配问题和置换流水车间问题上的性能。实验结果表明，LAHC在多数情况下表现最佳，具有良好的收敛性和鲁棒性，尤其适用于实例规模变化大或结构化的问题；SA和GSA在适当调优下也表现良好，而GDA和RTR则因缺乏灵活性表现较差。研究还分析了各准则的适用场景，并提出了未来在参数调优、新准则设计及多目标优化方向的展望。

本文探讨了主从自适应算法选择框架与随机局部搜索接受准则的研究进展。在主从框架中，分析了不同奖励机制对算法性能的影响，指出最大奖励更适用于提升每轮计算的适应度，并比较了同质与异构策略的表现，结果显示同质UCB策略整体最优。在随机局部搜索方面，系统梳理了包括Metropolis、TA、RTR、LAHC等在内的多种接受准则，结合实验分析其特点与适用场景，结果表明Metropolis及其广义版本、LAHC在多数情况下表现优异。研究强调应根据问题特性合理选择算法策略与接受准则，以实现高效优化。

本文深入探讨了主从自适应算法选择框架的设计原理与性能优化，涵盖ϵ-贪心、UCB和AP等核心选择策略，分析了均值与最大值奖励聚合机制的影响，并比较了同质与异质自适应策略在并行环境下的表现。基于适应度云模型的实验表明，最大值奖励聚合显著优于均值聚合，UCB策略整体性能最佳。文章进一步提出奖励函数改进、策略融合与动态参数调整等优化方向，为未来自适应算法设计提供了理论基础与实践指导。

本文综述了2017年人工进化国际会议（EA 2017）的主要内容，重点介绍了Gabriela Ochoa和Jean-Daniel Fekete的邀请演讲，涵盖搜索空间的可视化分析与渐进式数据分析新范式。核心部分提出了一种主-从（M/W）架构下的自适应算法选择框架，探讨了奖励函数定义、同质与异质策略选择及其在分布式优化中的应用。通过实验评估比较了不同策略的性能，结果表明异质策略在解的质量上更具优势。最后展望了未来在复杂奖励设计、动态策略调整及多技术融合方向的研究潜力。