Evolutionary Dynamic Optimization and Machine Learning

进化计算（EC）已经成为一种强大的人工智能领域，受到自然渐进发展机制的启发。然而，EC方法经常面临停滞、多样性丧失、计算复杂度、种群初始化和过早收敛等挑战。为了克服这些限制，研究人员将学习算法与进化技术相结合。这种集成利用EC算法在迭代搜索期间产生的有价值的数据，提供对搜索空间和种群动态的洞察。同样，进化算法和机器学习（ML）之间的关系是相互的，因为EC方法为优化具有嘈杂、不准确和动态目标函数的复杂ML任务提供了异常机会。这些混合技术称为进化机器学习（EML），已应用于ML过程的各个阶段。EC技术在数据平衡、特征选择和模型训练优化等任务中发挥着重要作用。此外，ML任务通常需要动态优化，这就需要进化动态优化（EDO）。本文提出了第一个关于EDO和ML之间相互集成的全面探索。该研究旨在激发进化学习社区的兴趣，启发在该领域的创新贡献。

本论文旨在探索进化动态优化（EDO）和机器学习（ML）之间的相互整合，以解决ML中的动态优化问题。

论文提出了一种结合EDO和ML的新方法，利用进化算法来优化ML中的动态优化问题，包括数据平衡、特征选择和模型训练优化。

论文通过实验验证了该方法的有效性，并提供了开源代码和数据集，为进一步研究提供了参考。

相关研究包括使用进化算法来优化神经网络、遗传编程等方向的研究。