摘要
Brendan Case和Per Kristian Lehre。 2020年，未知结构离散问题非精英进化算法的自适应。 IEEE进化计算汇刊24，4（2020），650-663。 谷歌学者 
交叉引用 
Dogan Corus、Duc-Cuong Dang、Anton Eremeev和Per Kristian Lehre。 2018.基于水平的遗传算法和其他搜索过程分析。 IEEE进化计算汇刊22，5（2018），707--719。 谷歌学者 数字图书馆 
Duc-Cuong Dang、Anton Eremeev和Per Kristian Lehre。 2021.非精英进化算法在具有稀疏欺骗区域和密集山谷的健身景观中表现出色。 《遗传与进化计算会议论文集》（GECCO’21）。 计算机协会，1133--1141。 谷歌学者 数字图书馆 Duc-Cuong Dang和Per Kristian Lehre。 2015.使用基于种群的进化算法有效优化噪声适应度函数。 2015年ACM遗传算法基础会议论文集XIII-FOGA’15。 ACM出版社，62-68。 谷歌学者 数字图书馆 Duc-Cuong Dang和Per Kristian Lehre。 2016。非精英群体突变率的自我适应。 自然并行问题解决——PPSN XIV，第9921卷。 施普林格国际出版公司，803--813。 谷歌学者 拉斐尔·丹努、蒂鲍特·达迪尼尔、本杰明·多尔、戈蒂埃·伊扎卡德和多里安·诺宁。 2018。动态和噪声目标函数进化优化的新分析方法。 《遗传与进化计算会议论文集》（GECCO’18）。 计算机协会，1467-1474。 谷歌学者 数字图书馆 本杰明·多尔和卡罗拉·多尔。 2018.（1+（λ，λ））遗传算法的最佳静态和自调整参数选择。 Algorithmica 80，5（2018），1658--1709。 谷歌学者 数字图书馆 本杰明·多尔、卡罗拉·多尔和约翰·伦格勒。 2019.具有显著最佳成功规则的自我调节突变率。 《遗传与进化计算会议论文集》（GECCO’19）。 计算机协会，1479-1487。 谷歌学者 数字图书馆 本杰明·多尔和蒂莫·科茨。 2021年。乘法向上漂移。 《算法》83，10（2021），3017--3058。 谷歌学者 数字图书馆 Benjamin Doerr、Carsten Witt和Jing Yang。 2021.自适应突变率的运行时分析。 《算法》83，4（2021），1012--1053。 谷歌学者 数字图书馆 卡罗拉·多尔。 2020年。离散黑盒优化启发式的复杂性理论。 《进化计算理论：离散优化的最新发展》，Benjamin Doerr和Frank Neumann（编辑）。 施普林格国际出版公司，133--212。 谷歌学者 斯特凡·德罗斯特。 2004.对嘈杂OneMax的（1+1）EA的分析。 遗传和进化计算——GECCO 2004。 第3102卷。 施普林格-柏林-海德堡，1088-1099。 谷歌学者 交叉引用 Stefan Droste、Thomas Jansen和Ingo Wegener。 2002.关于（1+1）进化算法的分析。 理论计算机科学276，1（2002），51-81。 谷歌学者 数字图书馆 托比亚斯·弗里德里希（Tobias Friedrich）、蒂莫·科钦（Timo Kötzing）、马丁·克雷卡（Martin S.Krejca）和安德鲁·萨顿（Andrew M.Sutton）。 2016.蚁群优化对噪声的鲁棒性。 进化计算24，2（2016），237--254。 谷歌学者 数字图书馆 Christian Gießen和Timo Kötzing。 2016年，随机环境中人口的稳健性。 Algorithmica算法75，3（2016），462--489。 谷歌学者 数字图书馆 马里奥·亚历杭德罗·赫维亚·法哈尔多和德克·苏德霍尔特。 2021.自调整后代种群规模超过悬崖函数的固定参数。 第16届ACM/SIGEVO遗传算法基础会议论文集（FOGA 21）。 计算机协会。 谷歌学者 数字图书馆 马里奥·阿莱杭德罗·海维亚·法亚尔多和德克·苏霍尔特。 2022.基于成功的参数控制更容易解决难题。 《遗传与进化计算会议论文集》（GECCO 22）。 计算机协会，796--804。 谷歌学者 数字图书馆 金耀初和吉尔根·布兰克。 2005.不确定环境中的进化优化——一项调查。 IEEE进化计算汇刊9，3（2005），303--317。 谷歌学者 数字图书馆 根据克里斯蒂安·莱勒（Kristian Lehre）。 2010年，人口负迁移。 《自然并行问题解决》，PPSN XI。 施普林格-柏林-海德堡，244-253。 谷歌学者 据Kristian Lehre和Phan Trung Hai Nguyen报道。 2021.领先者分布算法基于人口的单变量估计的运行时分析。 《算法》83，10（2021），3238-3280。 谷歌学者 数字图书馆 Per Kristian Lehre和Xiaoyu Qin。 2021.在不确定环境中对非政治EA进行更精确的运行时分析。 遗传和进化计算会议论文集。 美国医学会，1160--1168。 谷歌学者 数字图书馆 Per Kristian Lehre和Xiaoyu Qin。 2022.不确定环境中非利斯特进化算法的更精确运行时分析。 算法（2022）。 谷歌学者 据Kristian Lehre和Xiaoyu Qin报道。 2022.通过多目标实现自我适应：一项理论研究。 《遗传与进化计算会议论文集》（GECCO 22）。 计算机协会，1417-1425年。 谷歌学者 数字图书馆 君士坦丁·尼古列斯库（Constantin P.Niculescu）和安德烈·维内斯库（Andrei Vernescu）。 2004.对ex--（1+x/n）n的双边估计。《纯粹数学与应用数学不等式杂志》5，3（2004）。 谷歌学者 赵谦、赵卞、吴江和柯唐。 2019.OneMax和LeadingOnes在比特噪声下的（1+1）-EA运行时间分析。 《算法》81，2（2019），749--795。 谷歌学者 数字图书馆 赵谦、赵卞、杨瑜、柯唐和辛耀。 2021.采样失败时的噪声进化优化分析。 《算法》83，4（2021），940--975。 谷歌学者 数字图书馆 赵谦、杨瑜、柯唐、金耀初、姚欣、周志华。 2018.关于噪声环境中进化优化采样的有效性。 进化计算26，2（2018），237--267。 谷歌学者 数字图书馆 秦晓宇（Xiaoyu Qin）和佩尔·克里斯蒂安·莱勒（Per Kristian Lehre）。 2022.通过多目标的自我适应：一项实证研究。 自然并行问题解决——PPSN XVII。 施普林格国际出版公司，308--323。 谷歌学者 Amirhossein Rajabi和Carsten Witt。 2020年，多模态优化的自调整进化算法。 《2020年遗传与进化计算会议论文集》（GECCO 20）。 计算机协会，1314-1322。 谷歌学者 数字图书馆 德克·苏霍尔特。 2013年，进化算法运行时间下限的新方法。 IEEE进化计算汇刊17，3（2013），418-435。 谷歌学者 数字图书馆 德克·苏霍尔特。 2021.分析进化算法对噪声的鲁棒性：优化的运行时界限和噪声有益的示例。 算法83，4（2021），976-1011。 谷歌学者 数字图书馆
建议
自适应可以帮助进化算法跟踪动态优化 GECCO’23：遗传和进化计算会议记录 现实世界中的优化问题通常涉及动态，其中目标函数可能会随时间而变化。 先前的研究表明，进化算法（EA）可以解决动态优化问题。 此外，多样性的使用。。。 基于多目标的自我适应：一项实证研究 自然并行问题解决–PPSN XVII 摘要 非实用主义进化算法（EA）在优化嘈杂和/或崎岖的适应环境方面非常有用。 然而，只有按照……仔细调整非精英EA的参数，才能实现这一好处。。。
