基於啟發式自適應擴散模型的演化策略
本文提出了一種基於深度學習的擴散模型的新型演化策略，該策略利用擴散模型強大的生成能力和對歷史數據的記憶能力，通過迭代優化過程生成高適應性的參數，並能透過分類器自由引導技術，精確控制演化搜索方向，實現對特定基因型、表型或種群特徵的定向進化。
探索遺傳演算法與變數鄰域搜尋法於求解單一倉庫多集合定向問題之效能：比較研究
遺傳演算法和變數鄰域搜尋法能有效解決單一倉庫多集合定向問題，其中變數鄰域搜尋法在求解速度和解的品質方面均優於遺傳演算法。
基於偵測區域法的演化演算法求解具有二元約束的多目標優化問題
針對現有約束多目標優化演算法在處理二元約束問題（CMOP/BC）上的不足，本文提出了一種基於偵測區域法的新型演化演算法 DRMCMO，有效提升了演算法在求解此類問題時的性能。
基於元啟發式的模板設計問題解決方案：編碼、對稱性和混合化
本文探討了各種元啟發式算法在解決模板設計問題（TDP）上的應用，特別關注了編碼方案、對稱性破壞和混合化策略的影響，並提出了一種基於插槽的替代問題表述方式，實驗結果表明，某些提出的元啟發式算法在解決特定TDP問題實例時，可以被視為最先進的技術。
利用模因協作方法尋找平衡不完全區塊設計
本文提出了一種基於模因協作方法的新方法，用於尋找平衡不完全區塊設計 (BIBD)，並探討了不同編碼方案、對稱性破壞技術和協作策略對演算法性能的影響。
一種應用於演化雙層優化的動態資源分配框架
本論文提出了一種名為 DRC-BLEA 的動態資源分配框架，用於提高演化雙層優化的效率，其核心思想是通過競爭性準並行範式，將更多計算資源優先分配給更有可能產生優良解的任務，從而減少資源消耗並提升整體收斂速度。
高階啟發式演算法與超啟發式演算法混合求解對稱旅行商問題：比較研究
此研究探討將不同超啟發式演算法與啟發式演算法進行高階混合，以有效解決對稱旅行商問題，並比較其效率與解題品質。
大型語言模型與演化演算法在自動化優化中的深度洞察
大型語言模型（LLM）與演化演算法（EA）的結合為自動化優化提供了新的途徑，LLM 能夠生成和優化解決方案和啟發式演算法，而 EA 則通過迭代搜索來探索複雜的解空間。
利用演化演算法優化爐石戰記遊戲代理人
本文提出了一種利用演化演算法優化爐石戰記遊戲代理人的方法，透過競爭性共同演化的訓練方式，讓代理人自我學習，並在國際爐石戰記人工智慧競賽中取得佳績，證明了演化計算在開發卡牌遊戲人工智慧方面的潛力。
changepointGA：一個透過基因演算法快速偵測時間序列變化的 R 語言套件
changepointGA 套件利用基因演算法有效地偵測時間序列資料中的變點，並能同時估計模型參數和變點位置，提升分析的效率和準確性。
