AAAI-26，全局相关性学习：通过谱图神经网络增强进化算法

目录1.摘要2.谱图表示与进化信号3.GNE模型4.实验结果5.参考文献6.算法辅导·应用定制·读者交流1.摘要进化算法EA通常只利用少量个体更新单个解难以学习种群内部的全局相关性探索与开发的平衡高度依赖人工设置的参数过度开发会早熟收敛过度探索又会使搜索迟缓。论文提出Graph Neural EvolutionGNE把种群个体表示为图节点用节点相似性构造邻接矩阵再通过归一化图拉普拉斯的谱分解得到进化信号的频率成分。GNE以多项式谱滤波器显式调节各频率权重并用采样函数生成下一代个体从而在不依赖传统手工参数的情况下解释和控制探索–开发平衡。2.谱图表示与进化信号给定N NN个节点的无向图G ( X , A ) G(X,A)G(X,A)邻接矩阵A ∈ R N × N A\in\mathbb{R}^{N\times N}A∈RN×N描述个体间相互作用度矩阵D DD的对角元素为D i i ∑ j A i j D_{ii}\sum_jA_{ij}Dii​∑j​Aij​。归一化图拉普拉斯为L ^ I − D − 1 / 2 A D − 1 / 2 . \hat LI-D^{-1/2}AD^{-1/2}.L^I−D−1/2AD−1/2.对其进行谱分解L ^ U Λ U T , \hat LU\Lambda U^T,L^UΛUT,其中U UU包含正交特征向量Λ diag ⁡ ( λ 1 , … , λ N ) \Lambda\operatorname{diag}(\lambda_1,\ldots,\lambda_N)Λdiag(λ1​,…,λN​)包含特征值且λ k ∈ [ 0 , 2 ] \lambda_k\in[0,2]λk​∈[0,2]。图傅里叶变换为X ~ U T X \tilde XU^TXX~UTX逆变换为X U X ~ XU\tilde XXUX~。频率λ k \lambda_kλk​对应的种群信号分量为X ~ λ k U k U k T X . \tilde X_{\lambda_k}U_kU_k^TX.X~λk​​Uk​UkT​X.谱滤波器g ( Λ ) diag ⁡ ( g ( λ 1 ) , … , g ( λ N ) ) g(\Lambda)\operatorname{diag}(g(\lambda_1),\ldots,g(\lambda_N))g(Λ)diag(g(λ1​),…,g(λN​))用K KK阶多项式参数化g ( λ ) ∑ k 0 K α k λ k , q q u a d g ( L ^ ) U g ( Λ ) U T . g(\lambda)\sum_{k0}^{K}\alpha_k\lambda^k,qquad g(\hat L)Ug(\Lambda)U^T.g(λ)k0∑K​αk​λk,qquadg(L^)Ug(Λ)UT.低频特征值对应沿图结构变化较平缓的共同特征适合围绕精英个体进行开发高频特征值对应节点间差异较大的成分适合保持种群多样性并探索新区域。3.GNE模型GNE先以种群质心x 0 x_0x0​为参照为每个个体构造差分向量z i x i − x 0 z_ix_i-x_0zi​xi​−x0​。个体i ii与j jj之间的边权取差分向量余弦相似度A i j z i T z j ∥ z i ∥ ∥ z j ∥ . A_{ij}\frac{z_i^Tz_j}{\|z_i\|\,\|z_j\|}.Aij​∥zi​∥∥zj​∥ziT​zj​​.由A AA构造L ^ \hat LL^并求得U 、 Λ U、\LambdaU、Λ后GNE用多项式谱滤波更新种群X ^ U g ( Λ ) U T X ∑ k 1 N g ( λ k ) U k U k T X ∑ k 1 N g ( λ k ) X ~ λ k . \hat XUg(\Lambda)U^TX\sum_{k1}^{N}g(\lambda_k)U_kU_k^TX\sum_{k1}^{N}g(\lambda_k)\tilde X_{\lambda_k}.X^Ug(Λ)UTXk1∑N​g(λk​)Uk​UkT​Xk1∑N​g(λk​)X~λk​​.为生成可行的新个体GNE使用两个采样函数模拟GNN中的输入、输出编码器。前置函数ψ \psiψ为恒等映射后置函数ϕ \phiϕ以种群精英为中心、以随迭代次数变化的标准差σ t \sigma_tσt​进行高斯采样。总体更新公式X ← ϕ ( U g ( Λ ) U T ψ ( X ) ) . X\leftarrow\phi\left(Ug(\Lambda)U^T\psi(X)\right).X←ϕ(Ug(Λ)UTψ(X)).4.实验结果比较算法包括GA、DE、CMA-ES、SDAES、RL-SHADE和GNE。测试函数为Sphere、Schwefel、Schwefel 2.22、Schwefel 2.26、Rosenbrock、Quartic、Rastrigin、Ackley和Levy共9个经典基准。为检验抗噪性论文向9个函数加入[ 0 , 1 ] [0,1][0,1]范围的均匀随机噪声为避免许多基准函数最优点位于可行域中心造成的中心偏置。GNE在无噪声和噪声条件下均获得最高排名同时保持中等运行时间体现了精度、稳定性与计算代价之间的平衡。GNE把进化种群视为图把个体相似性转化为邻接关系并通过图拉普拉斯谱分解获得高频多样性与低频一致性成分。多项式滤波器对不同频率加权提供了可解释的探索–开发控制采样函数则将过滤后的全局结构重新映射为下一代个体。基准函数结果表明GNE在精度、稳定性、抗噪性和最优点偏移鲁棒性方面具有优势。5.参考文献Ouyang K, Ke Z, Fu S, et al. Learn from global correlations: Enhancing evolutionary algorithm via spectral gnn[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2026, 40(29): 24665-24673.6.算法辅导·应用定制·读者交流xx