進化演算法實證：Baldwinian 與 Lamarckian 在圖形基準上領先 Darwinian
背景：進化演算法中的Baldwinian與Lamarckian長期存在但未被主流採用。研究以GraphBench圖形基準對最大獨立集與最大割做大量實驗，並在擴展的Deceptive Leading Block上進行理論分析。結果顯示加入局部搜尋的Baldwinian與Lamarckian普遍優於Darwinian，且在多數情況下勝過深度學習基準，接近專用啟發式解法。
要點一語帶過
新研究以實驗與理論雙線並行，發現Baldwinian與Lamarckian兩種進化機制在多數圖形基準上都超越傳統Darwinian演算法。
實驗結果
作者在GraphBench的多組圖形資料上，針對最大獨立集與最大割問題做全面性測試。加入局部搜尋的Baldwinian與Lamarckian演算法表現穩定優於未結合局部搜尋的Darwinian，且在多數情況下勝過最近的深度學習基準，達到接近專用啟發式或精確求解器的水準。
理論分析
研究將Deceptive Leading Block基準擴展到任意區塊長度，並運用現代運行時分析工具推導上下界。當區塊長度大於二時，理論結果顯示Baldwinian在漸近上比Lamarckian快，後者又優於Darwinian；若把局部搜尋的評估成本納入比較，排序會依實作細節而有所不同，但Baldwinian從較小區塊長度起即展現優勢。
實務意義
研究同時給出一組泛用且高效的參數設定，期望供未來實務者作為起點或參考，強調在組合局部搜尋下，傳統進化策略仍具競爭力。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
