open4的博客

本文研究了多智能体强化学习任务中的可解释策略，提出了一种基于协同进化的方法。通过团队组建、适应度评估、个体编码和操作符设计，智能体能够在复杂的战场环境中学习高效的作战策略，并展现出良好的可解释性。实验结果表明，该方法在消灭对手任务中表现优异，平均击杀数接近最大值，且策略行为稳定。此外，通过分析进化智能体的决策树，可以清晰地理解其行为模式。与非协同进化方法的比较显示，协同进化方法在性能和鲁棒性方面均具有明显优势。

本文探讨了加权空间网络的构建方法以及多智能体强化学习中的可解释策略。在加权空间网络部分，提出了一种基于行走阻力和迂回偏好的算法，用于生成具有小总加权长度和小总迂回率的有效网络，并通过实验分析了权重区域对帕累托前沿的影响。在多智能体强化学习部分，研究结合语法进化和Q-学习的方法，生成了具有可解释性的合作策略，并通过PettingZoo库中的Battlefield任务验证了其有效性。研究为加权空间网络设计和多智能体策略的可解释性提供了新的思路和方法。

本研究提出了一种基于模拟人类行走轨迹叠加的方法，用于分析加权空间中网络的权衡关系。通过引入随机德劳内网络（rDn）近似帕累托最优路径，并模拟行人的行走行为，我们能够在不同的加权空间中构建具有较小总加权长度和总迂回率的网络。实验结果表明，该方法在均匀加权区域和权重与中心距离成反比的空间中表现良好，能够较好地近似帕累托前沿。研究为加权空间中网络的设计和分析提供了一种新的思路和方法，有助于在实际应用中更好地平衡网络的实施成本和运输效率。

本文探讨了局部搜索对平衡遗传算法在进化高度非线性平衡布尔函数过程中的影响。通过定义基于交换的局部搜索操作，并结合三种不同的局部搜索变体（无局部搜索、单步局部搜索、最陡上升局部搜索）和三种交叉操作符，在6到9变量的布尔函数上进行了系统实验。研究围绕两个核心问题：局部搜索是否提升遗传算法的收敛速度，以及它是否影响种群多样性。实验结果表明，局部搜索确实显著提高了收敛速度，而对种群多样性的影响则出乎意料，局部搜索不仅未降低多样性，甚至在某些情况下提高了个体间的中位汉明距离。文章进一步提出了未来研究方向，包括不同的种

本文研究了在平衡表示的遗传算法中引入局部搜索对性能的影响。重点探讨了三种平衡交叉算子（基于计数器的交叉、零长度交叉和1位置映射交叉）在演化高度非线性平衡布尔函数问题中的应用。通过引入不同变体的局部搜索（无局部搜索、单步局部搜索和最陡上升策略），实验表明局部搜索显著提高了遗传算法的收敛速度，并且意外地增加了种群的多样性。研究结果为优化平衡约束问题提供了新的思路，并提出了未来的研究方向，如改进初始化策略、探索混合算法和扩展问题规模等。

本文提出了一种受SMOTE算法启发的差分进化（DE）辅助搜索机制，并通过实验分析了其性能。该机制通过对种群中的少量解进行过采样生成新解，以增强搜索多样性。实验表明，该方法在简单多峰和混合函数上表现出色，但在组合函数上的效果欠佳。此外，该机制可灵活融入其他改进的DE变体，具有较强的扩展性。文章还探讨了其局限性及改进方向，并给出了实际应用场景和应用步骤。

本文探讨了黏液霉菌算法（SMA）与差分进化（DE）算法的研究进展，并引入了一种基于SMOTE启发的辅助搜索机制以提升DE的性能。研究详细分析了SMA算法变体的性能表现，发现合理调整种群规模和变换方法可以显著优化结果。同时，通过实验验证了基于SMOTE的DE扩展机制在多种基准测试问题上的有效性与稳定性。未来的研究将聚焦于增强机制的组合优化及其在实际问题中的应用。

本文系统研究了黏菌算法（SMA）及其16种增强变体在优化问题中的表现。基于CEC 2011测试套件中的22个真实世界问题，通过与16种经典自然启发优化方法的对比实验，评估了SMA变体的性能。实验结果表明，结合特征变换、线性种群缩减、扰动等机制的SMA变体（如SMAELBF 0504和SMARELF 0501）在搜索效率和收敛性方面显著优于原始SMA算法，并在多个问题上展现出良好的通用性和适应性。研究还分析了不同增强机制对算法性能的影响，为优化算法的改进和应用提供了理论依据和实践参考。

本博文研究了笛卡尔遗传编程中的变异变体优化策略以及黏菌算法（SMA）的实验分析。通过评估双变异率、Multi-n和DMulti-n等策略，发现其在适应度值上具有一定优势，但也可能导致训练时间增加。此外，针对黏菌算法，通过特征变换、种群规模缩减和解决方案扰动等机制提出多种新变体，并在CEC 2011问题上验证了其优越性能。研究为优化算法的设计与应用提供了理论支持与实践指导。

本文研究了笛卡尔遗传编程（CGP）中的变异策略优化，提出了改进的概率变异和Multi-n/DMulti-n变异方法。通过在多个分类、回归和布尔回归数据集上的实验，验证了这些策略在提升适应度值方面的有效性，但也带来了收敛速度变慢的问题。实验结果显示，对活跃和非活跃节点使用不同的变异率可以加快收敛，而Multi-n和DMulti-n变异则通过增加有意义的基因变化提高了搜索性能。最后，文章讨论了未来可能的研究方向，如更智能的衰减策略和更广泛的数据集验证。

本文对MadDE、L-SHADE、j2020和CS-DE四种进化算法在CEC 2022、CEC 2021和CEC 2017基准函数上的性能进行了系统分析，综合评估了解的质量和计算速度两个关键指标。通过多组实验和统计检验，发现不同算法在不同基准和维度下表现各异，j2020在速度上具有显著优势，而L-SHADE在解的质量上总体最优。文章还探讨了算法过拟合以及编程语言对性能的影响，提出了未来的研究方向，包括算法改进和编程语言优化。

本文探讨了优化算法的性能分析与比较，重点研究了两种优化算法：改进的足球游戏算法（mFGA）用于解决多模态测试任务调度问题（TTSPs），以及四种先进的进化算法在不同基准函数上的性能评估。mFGA结合NF-RK编码方案在TTSP实验中表现出色，尤其在最佳适应度值和多模态优化能力方面优于其他算法。进化算法的比较则揭示了现有评估指标的不足，并强调了运行时间和速度的重要性。通过统计分析和综合评估，为优化算法的实际应用提供了有价值的参考。

本文提出了一种基于改进足球游戏算法（mFGA）和归一化因子随机键（NF-RK）编码方案的多模态优化方法，用于解决测试任务调度问题（TTSP）。通过引入表型分布式精英主义（PDE）机制，改进算法的多模态搜索能力，并结合NF-RK编码方案有效处理任务序列和方案分配问题。实验结果表明，该方法在求解时间、平均makespan和解的多样性方面均表现出色。

本文比较了监督式基于规则的学习系统SupRB和XCSF在四个不同复杂度的真实世界回归数据集上的性能。实验结果显示，两者在总体性能上相当，但SupRB在稳定性和规则集大小控制方面表现更优，而XCSF在某些特定数据集上有轻微优势。文章进一步分析了两种方法的规则复杂度、稳定性及可解释性，并提出了未来改进方向。研究结果为根据实际需求选择合适的学习分类系统提供了参考依据。

本文探讨了一种新型的监督式基于规则的学习系统 SupRB，其通过将规则发现和解决方案组合两个阶段交替进行，实现了高准确性、高可解释性和高稳定性的统一。与现有的 XCSF 方法相比，SupRB 在多个回归数据集上表现出了更低的误差、更小的规则集以及更低的敏感性，展示了其在工业、金融和医疗等领域的广泛应用潜力。

本研究探讨了基于代理模型优化的混合采集过程，旨在提升在不同计算预算下解决新冠疫情缓解策略设计问题的效率和鲁棒性。通过引入混合并发采集过程（HCAP）和混合连续采集过程（HSAP），结合信息准则（IC）优化与进化计算的优势，实验表明HSAP在性能上显著优于现有方法，而HCAP也展现出良好的适应性。研究进一步分析了各算法在收敛速度、目标值分布和计算成本方面的表现，并提出了未来研究方向，包括扩展计算资源和优化AP切换机制等。

本博文探讨了网络优化中的TCP拥塞避免策略与新冠接触减少问题的混合优化方法。通过遗传编程技术改进TCP协议性能，并提出了一种结合P-SAEAs和P-SDAs优点的混合获取过程HSAP策略，用于解决计算成本高昂的黑盒优化问题。研究以西班牙新冠疫情的接触减少策略为案例，验证了HSAP策略在实现群体免疫和降低死亡人数方面的有效性。结果显示，该策略在不同计算资源条件下均表现优异，具有广泛的应用潜力和推广价值。

本文探讨了基于遗传编程（GP）的TCP拥塞避免机制优化方法，并通过NS3模拟器验证了进化后协议的有效性。研究结果显示，进化后的协议在特定场景下比传统TCP协议性能提升了约5%。文章详细介绍了方法、实验过程以及进化后协议的特点，同时对优化指标和未来研究方向进行了探讨。

本博文围绕可解释的差分进化（DE）算法性能分析展开，通过使用回归模型（随机森林）结合问题实例的景观特征（ELA）预测算法性能，并利用SHAP方法解释模型预测结果。研究探讨了不同预算下DE配置的性能变化，以及ELA特征对性能预测的贡献。实验结果表明，预算大小显著影响算法性能和特征重要性，小预算下各配置性能相似，而大预算时不同配置的开发能力和特征使用出现明显差异。研究还发现性能相似的DE配置会使用相似的特征组合，这为算法选择和优化提供了重要启示。

本博文系统分析了差分进化算法（DE）在不同优化问题中的性能表现，并通过探索性景观分析（ELA）提取问题特征，结合机器学习方法预测和解释算法性能。研究利用COCO基准问题和多种DE配置，展示了如何根据问题景观特征选择和配置合适的优化算法，为算法选择和配置提供了有价值的实践启示。

本文探讨了元启发式算法的经验相似度度量方法以及并行差分进化在解决最小-最大优化问题中的应用。研究通过参数调整生成算法实例，并基于性能概况评估算法相似性。同时，利用并行差分进化应对最小-最大优化问题的计算挑战，通过SciPy实现并行模型，并在多个基准测试函数上进行实验，分析加速比、种群大小和变异策略对性能的影响。

本文提出了一种基于经验的元启发式算法相似性度量方法，通过参数调优生成算法实例，并在具有不同景观特征的基准问题上进行性能分析。利用轮廓系数和性能相似度衡量算法实例之间的相似性，研究发现同一算法的实例并不总是具有高度相似的性能，而某些新算法与传统算法如粒子群优化（PSO）在性能上表现出一定的相似性。此外，使用相同问题调优的不同算法实例并未表现出显著的性能相似性。通过聚类分析进一步验证了算法实例的性能相似性，并揭示了不同算法之间的关系。该方法为元启发式算法的比较、选择和改进提供了新的视角。

本文探讨了元启发式算法的性能评估与相似性分析，重点介绍了CSS-MOEA算法的原理与实验结果。CSS-MOEA是一种基于廉价代理选择机制的多目标进化算法，具有计算成本低、通用性强的优势。文章还提出了一种基于算法在不同优化函数上表现的相似性测量方法，通过聚类分析和性能指标比较，揭示了不同算法及其参数设置之间的相似性和差异性。实验结果表明，CSS-MOEA在多个基准测试和实际问题中表现良好，而相似性测量方法为算法选择、组合和自动设计提供了有价值的参考。

本文探讨了动态图中的新型异常检测方法以及多目标优化问题中的廉价替代选择算子。针对动态图，提出了一种结合蚁群优化的异常检测技术，用于识别最重k-子图和社区变化。在多目标优化方面，设计了基于k-d树和密度估计的CSS选择算子，并提出了CSS-MOEA算法，通过实验验证其在收敛性和分布性方面的优越性能。研究为复杂数据分析和优化问题提供了新的解决方案。

本文探讨了蚁群优化算法（ACO）在旅行租车问题和动态图异常检测中的应用。针对旅行租车问题，设计了ACOCaRS算法，并对其性能进行了实验比较和改进方向分析。在动态图异常检测方面，提出了一种结合社区检测和最重k-子图的新型异常定义，并基于ACO算法实现了有效检测。研究展示了ACO算法在组合优化问题中的强大潜力，并指出了未来改进和扩展的方向。

本文介绍了一种基于蚁群优化（ACO）的元启发式算法ACOCaRS，用于解决旅行租车问题（CaRS）。该问题作为旅行商问题的推广，目标是找到城市和租车序列的最优组合，以最小化旅行成本。文章详细描述了ACOCaRS算法的设计、实现以及实验结果，并与现有的多种算法进行了对比分析。实验表明，ACOCaRS在处理节点数较少的问题时表现优异，具有较快的求解速度和良好的学习特性，但在大规模问题上仍有改进空间。

本博文探讨了两种优化算法在不同问题中的应用：加速进化神经网络架构搜索（NAS）用于剩余使用寿命（RUL）预测，以及蚁群优化算法（ACO）用于旅行租车问题（CaRS）。研究分析了如何通过多种策略平衡解决方案质量与搜索时间，并提出了ACOCaRS算法在不同规模问题中的表现。同时，对两种方法的实际应用、未来发展方向及面临的挑战进行了深入探讨，为相关领域的优化问题提供了有价值的参考。

本文提出了一种基于进化算法的神经架构搜索（NAS）方法，用于自动优化一维卷积神经网络（1-D CNN）架构，以实现高效的剩余使用寿命（RUL）预测。该方法采用NSGA-II算法进行多目标优化，同时最小化预测误差和模型复杂度。为加速训练和评估过程，引入了“无训练架构评分”和“学习曲线外推”技术。实验结果表明，该方法在NASA的N-CMAPSS数据集上取得了显著的时间节省，并在预测精度和模型规模之间实现了良好的权衡。

本文基于代理模型研究人群在疏散场景中的路径选择行为。通过构建NetLogo多代理模拟环境，探讨了协作因子对路径选择的影响，并发现混合协作与背叛行为的人群在退出时间、路径成本和成功撤离人数等指标上表现更优。实验结果表明，完全协作的人群未必最优，适度的‘背叛者’能够提升整体路径探索效率。研究为人群疏散优化和多代理系统设计提供了新的思路。

本文探讨了生物启发优化算法及其在人群行为模拟中的应用。通过借鉴生物系统的生存智慧，这些算法在解决复杂优化问题方面表现出色。研究重点分析了协作和背叛行为对人群整体行为的影响，并提出了一种结合代理模型和群体智能方法的混合模型。实验结果显示，适量的背叛行为可以激励协作代理更积极地寻找路径，从而提高整体性能。该研究为紧急疏散规划、交通流量优化、社交网络分析等领域提供了新的方法和思路。