本研究提出了一种新方法GPRT，结合强化学习与遗传编程，旨在解决动态调度中的不可预测干扰问题。该方法在集装箱码头调度中展现出优于传统方法的适应性和有效性。

该研究提出Kozax框架，旨在解决遗传编程中适应性评估的高计算需求问题，支持大规模数据集和自定义运算符，展示了在科学计算中的优化潜力。

本研究利用遗传编程自动设计代数多重网格预条件器，以提高大规模激光束焊接模拟的效率。实验结果表明，该方法显著提升了解析求解器的性能，优化了耦合方程的求解效率。

本研究提出了一种基于语法引导的遗传编程优化代数多重网格（AMG）的方法。通过生成灵活的多重网格循环，并独立选择平滑器及其松弛权重，优化后的循环在效率和性能上显著优于传统方法。

本文综述大语言模型与进化算法的相互融合，涵盖LLM增强进化优化（如EvoPrompt提示优化、自动生成优化算法、多目标进化算子设计、协作设计框架、PhaseEvo自动提示优化）和EA增强LLM两方面，并探讨LLM在基因组学与遗传编程中的应用，指出小样本优化优势及未来挑战。

本文综述词典选择方法在深度学习与遗传编程中的应用，包括结合梯度下降提升图像分类泛化、快速词典选择降低评估步骤、概率词典选择提高效率、lexicase选择加快TPOT收敛、词典优化遗传算法兼顾公平与准确，以及优化框架提升语言模型性能。

该文综述符号回归领域多项研究：DySymNet利用神经引导动态符号网络提升低维与高维问题性能；NSRwH结合领域知识精确预测表达式结构；深度学习框架用循环神经网络生成表达式并优于Eureqa；混合神经引导与遗传编程优化初始种群；MetaSymNet动态调整结构以生成简明可解释表达式；FPGA实现将三层神经元模型执行时间缩短13倍；大规模预训练方法提升方程发现效率；端到端框架求解偏微分方程并大幅精简参数；GFN-SR模拟表达树构建，在噪声数据下表现优异。

该文汇总多项进化计算研究：用进化方法改进程序合成工具SuSLik的搜索策略；用遗传算法从解码导出工业过程代码；提升数字量子模拟保真度与资源效率；用语法引导遗传编程发现多重网格方法求解偏微分方程；用量子神经网络搜索量子电路实现态与门变换；用进化博弈论解决多智能体路径规划，路径更短且更快；用差分进化自动优化实验参数；用模糊神经网络与NSGA-II优化异构MPSoC任务调度；比较多目标遗传算法中的表观遗传机制；并给出GP求解布尔问题的运行时间上界。