连接进化算法与强化学习：混合算法综述
基本信息
- 标题：Bridging Evolutionary Algorithms and Reinforcement Learning: A Comprehensive Survey on Hybrid Algorithms（连接进化算法与强化学习：混合算法综述）
- 作者：Pengyi Li, Jianye Hao, Hongyao Tang, Xian Fu, Yan Zheng, Ke Tang
- 提交日期：2024年1月22日（v1），最后修订：2026年5月24日（v5）
- arXiv 编号：arXiv:2401.11963 [cs.NE]
- DOI：10.48550/arXiv.2401.11963
- 备注：新版本，增加了更多方法
主题分类
- 主分类：神经与进化计算（cs.NE）
- 其他分类：人工智能（cs.AI）、机器学习（cs.LG）
摘要
进化强化学习（Evolutionary Reinforcement Learning, ERL）将进化算法（Evolutionary Algorithms, EAs）与强化学习（Reinforcement Learning, RL）相结合进行优化，已展现出显著的性能提升。通过融合这两种方法，ERL 已成为一个有前景的研究方向。本综述全面概述了 ERL 的各个研究分支。具体而言，作者系统总结了相关算法的最新进展，并归纳出三个主要研究方向：
- EA 辅助的 RL 优化（EA-assisted Optimization of RL）
- RL 辅助的 EA 优化（RL-assisted Optimization of EA）
- EA 与 RL 的协同优化（synergistic optimization of EA and RL）
在此基础上，作者对每个研究方向进行了深入分析，梳理出多个研究分支，阐明了各分支旨在解决的问题，以及 EAs 与 RL 的融合如何应对这些挑战。最后，论文讨论了各研究方向中潜在的挑战和未来研究前景。
为便于研究人员深入探索 ERL，作者将与论文相关的算法和代码整理在：https://github.com/yeshenpy/Awesome-Evolutionary-Reinforcement-Learning
关键信息速览
- 研究类型：综述（Survey）
- 核心主题：进化算法与强化学习的融合（ERL）
- 三大方向：EA→RL 辅助、RL→EA 辅助、EA↔RL 协同
- 配套资源：GitHub 算法与代码仓库