Buchumschlag

Lower Bounds from Fitness Levels Made Easy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Doerr, Benjamin, Kötzing, Timo
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Neural and Evolutionary Computing Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Anytime Analysis on BinVal: Adaptive Parameters Help
von: Kötzing, Timo, et al.
Veröffentlicht: (2026)

Approximation Guarantees for the Non-Dominated Sorting Genetic Algorithm II (NSGA-II)
von: Zheng, Weijie, et al.
Veröffentlicht: (2022)

Theoretical Analyses of Multiobjective Evolutionary Algorithms on Multimodal Objectives
von: Zheng, Weijie, et al.
Veröffentlicht: (2020)

Runtime Analysis for the NSGA-II: Proving, Quantifying, and Explaining the Inefficiency For Many Objectives
von: Zheng, Weijie, et al.
Veröffentlicht: (2022)

Scalable Speed-ups for the SMS-EMOA from a Simple Aging Strategy
von: Li, Mingfeng, et al.
Veröffentlicht: (2025)

An Extended Jump Functions Benchmark for the Analysis of Randomized Search Heuristics
von: Bambury, Henry, et al.
Veröffentlicht: (2021)

Lazy Parameter Tuning and Control: Choosing All Parameters Randomly From a Power-Law Distribution
von: Antipov, Denis, et al.
Veröffentlicht: (2021)

Already Moderate Population Sizes Provably Yield Strong Robustness to Noise
von: Antipov, Denis, et al.
Veröffentlicht: (2024)

A Crowding Distance That Provably Solves the Difficulties of the NSGA-II in Many-Objective Optimization
von: Zheng, Weijie, et al.
Veröffentlicht: (2024)

Runtime Analysis for Permutation-based Evolutionary Algorithms
von: Doerr, Benjamin, et al.
Veröffentlicht: (2022)

A Block-Coordinate Descent EMO Algorithm: Theoretical and Empirical Analysis
von: Doerr, Benjamin, et al.
Veröffentlicht: (2024)

When Switching Algorithms Helps: A Theoretical Study of Online Algorithm Selection
von: Antipov, Denis, et al.
Veröffentlicht: (2026)

Analysis of Search Heuristics in the Multi-Armed Bandit Setting
von: Brandt, Jasmin, et al.
Veröffentlicht: (2026)

Runtime Analysis for the NSGA-II: Provable Speed-Ups From Crossover
von: Doerr, Benjamin, et al.
Veröffentlicht: (2022)

The Runtime of Random Local Search on the Generalized Needle Problem
von: Doerr, Benjamin, et al.
Veröffentlicht: (2024)

Fourier Analysis Meets Runtime Analysis: Precise Runtimes on Plateaus
von: Doerr, Benjamin, et al.
Veröffentlicht: (2023)

Hyper-Heuristics Can Profit From Global Variation Operators
von: Doerr, Benjamin, et al.
Veröffentlicht: (2024)

A First Runtime Analysis of the NSGA-II on a Multimodal Problem
von: Doerr, Benjamin, et al.
Veröffentlicht: (2022)

How the Move Acceptance Hyper-Heuristic Copes With Local Optima: Drastic Differences Between Jumps and Cliffs
von: Doerr, Benjamin, et al.
Veröffentlicht: (2023)

Fitness Landscape of Large Language Model-Assisted Automated Algorithm Search
von: Liu, Fei, et al.
Veröffentlicht: (2025)

Speeding Up Hyper-Heuristics With Markov-Chain Operator Selection and the Only-Worsening Acceptance Operator
von: Bendahi, Abderrahim, et al.
Veröffentlicht: (2025)

Runtime Analysis of the SMS-EMOA for Many-Objective Optimization
von: Zheng, Weijie, et al.
Veröffentlicht: (2023)

Near-Tight Runtime Guarantees for Many-Objective Evolutionary Algorithms
von: Wietheger, Simon, et al.
Veröffentlicht: (2024)

Evolutionary Algorithms Are Significantly More Robust to Noise When They Ignore It
von: Antipov, Denis, et al.
Veröffentlicht: (2024)

Generalization Bounds of Spiking Neural Networks via Rademacher Complexity
von: Zhang, Shao-Qun, et al.
Veröffentlicht: (2026)

Concentration Tail-Bound Analysis of Coevolutionary and Bandit Learning Algorithms
von: Lehre, Per Kristian, et al.
Veröffentlicht: (2024)

Evolutionary Token-Level Prompt Optimization for Diffusion Models
von: Neto, Domício Pereira, et al.
Veröffentlicht: (2026)

Selection Hyper-heuristics Can Automatically Adjust the Learning Period to Optimally Solve Pseudo-Boolean Problems
von: Doerr, Benjamin, et al.
Veröffentlicht: (2026)

RDEx-SOP: Exploitation-Biased Reconstructed Differential Evolution for Fixed-Budget Bound-Constrained Single-Objective Optimization
von: Tao, Sichen, et al.
Veröffentlicht: (2026)

Enabling Population-Level Parallelism in Tree-Based Genetic Programming for GPU Acceleration
von: Wu, Zhihong, et al.
Veröffentlicht: (2025)

Tight Runtime Bounds for Static Unary Unbiased Evolutionary Algorithms on Linear Functions
von: Doerr, Carola, et al.
Veröffentlicht: (2023)

Fitness Approximation through Machine Learning
von: Tzruia, Itai, et al.
Veröffentlicht: (2023)

Task-Specific Activation Functions for Neuroevolution using Grammatical Evolution
von: Winter, Benjamin David, et al.
Veröffentlicht: (2025)

Multi-Modal Learning meets Genetic Programming: Analyzing Alignment in Latent Space Optimization
von: Léger, Benjamin, et al.
Veröffentlicht: (2026)

Evaluating a Novel Neuroevolution and Neural Architecture Search System
von: Winter, Benjamin David, et al.
Veröffentlicht: (2025)

Ecological Neural Architecture Search
von: Winter, Benjamin David, et al.
Veröffentlicht: (2025)

Speeding Up the NSGA-II With a Simple Tie-Breaking Rule
von: Doerr, Benjamin, et al.
Veröffentlicht: (2024)

Speeding Up the NSGA-II via Dynamic Population Sizes
von: Doerr, Benjamin, et al.
Veröffentlicht: (2025)

Difficulties of the NSGA-II with the Many-Objective LeadingOnes Problem
von: Doerr, Benjamin, et al.
Veröffentlicht: (2024)

The First Theoretical Approximation Guarantees for the Non-Dominated Sorting Genetic Algorithm III (NSGA-III)
von: Deng, Renzhong, et al.
Veröffentlicht: (2025)