IEEE期刊：演化计算如何引领AI与优化技术新突破

《IEEE演化计算汇刊》第29卷第4期已于2025年8月出版，全面展示了受自然选择和生物过程启发的算法领域的尖端研究。这些计算技术对于解决传统方法往往力不从心的复杂现实世界挑战，正变得越来越重要。

本期期刊的很大一部分内容致力于多目标优化领域的进步。该领域旨在当多个（通常相互冲突的）目标必须同时考虑时，找到最优解。研究人员正在推动这些算法的边界，以处理日益复杂的场景。例如，多篇论文探讨了动态多目标优化，其中问题本身随时间变化，需要自适应策略来跟踪不断演变的最优解。这包括关于学习扩展或收缩帕累托集（非支配解集）以及预测动态环境中方向性改进的工作。其他研究则解决了计算成本高或高维度的问题，通常采用代理辅助重构和分解技术以使优化可行。诸如非支配排序遗传算法II（NSGA-II）等领先算法的鲁棒性也受到严格审查，并建立了新的近似保证。此外，还提出了针对约束多目标优化的新方法，其中解决方案必须遵守特定的规则或限制，包括处理未知约束的方法以及基于概率支配的方法。

遗传编程，一种演化计算机程序的演化方法，是另一个突出主题，展示了其在各种应用中的多功能性。研究人员展示了其在精细图像分类中的效用，例如，通过开发灵活的区域检测方法或学习颜色和多尺度特征。除了图像分析，遗传编程正被应用于关键的工业问题，例如在制造业中进行根本原因识别的特征提取，提供可解释的机器学习解决方案。本期期刊还包括通过主动学习指导符号回归高效数据收集的基础性工作。有趣的是，一篇论文直接比较了大型语言模型（LLM）与遗传编程在程序合成方面的性能，为这些不同AI范式在代码生成中的优缺点提供了及时的见解。

除了遗传算法，该期刊还重点介绍了其他受自然启发的算法创新。多智能体群体优化，具有自适应内部和外部学习机制，被探索用于复杂的基于共识的分布式优化。粒子群优化器被改编用于大规模多源定位问题，例如机器人群体所解决的问题。结合不同演化范式或将其与其他AI技术集成的混合方法也占有突出地位。例如，一种基于反馈学习的模因算法用于能源感知分布式柔性作业车间调度，以及深度强化学习与遗传编程相结合应用于集装箱港口卡车动态调度。

演化计算的实际影响在广泛的应用领域中显而易见。除了制造业和物流，本期期刊还深入探讨了临床调度、复杂疾病生物标志物识别，甚至网络安全等领域，其中一种新颖的“演化艺术攻击”用于生成黑盒对抗性样本。在这些应用背后，基础研究继续完善演化算法的理论理解。这包括对混合变量类型问题的探索性景观分析研究、开发新的多样性指标（如Riesz s-能量），以及精确计算质量指标（如R2）。在噪声下进行优化的挑战也得到了解决，并提出了新的性能指标。甚至问题表示这一基本行为也得到了重新审视，例如将组合优化问题转换为傅里叶空间的工作。

总的来说，本期汇刊中呈现的研究强调了演化计算在人工智能中动态且不断扩展的作用。从完善理论基础到解决各行各业的现实复杂性，这些受生物启发的算法继续为那些传统计算方法难以解决的问题提供强大且适应性强的解决方案，为迈向更智能、更具韧性的系统指明了道路。