遗传算法和进化策略有什么区别？

Question

我已经阅读了几本书的介绍部分以及关于这两个主题的一些论文，并且我认为这两种方法几乎完全相同。也就是说，我还没有时间对主题进行深入研究，所以我可能错了。

遗传算法和进化策略之间有什么区别？是什么让他们与众不同，他们在哪里相似？

Answer 1

在进化策略中，个体被编码为实数的向量。在复制时，父母是随机选择的，最适合的后代被选中并插入下一代。 ES个体是自我适应的。步长或'＃34;突变强度＆＃34;在个体中进行编码，因此通过选择优秀的个体，良好的参数可以进入下一代。

在遗传算法中，个体被编码为整数。通过选择与其适合度成比例的父母来完成选择。因此，必须在第一次选择完成之前对个人进行评估。遗传算子在比特级上工作（例如，将一个字符串切割成多个部分，并将它们与另一个父部分交换或切换单个比特）。

这是理论。在实践中，有时很难区分两种进化算法，并且您需要创建混合算法（例如，对编码遗传算子参数的整数（位串）个体）。

Answer 2

在GA的大多数较新的教科书中，引入实值编码作为整数的替代，即，可以将个体编码为实数的矢量。这被称为连续参数GA（参见例如Haupt＆amp; Haupt，“Practical Genetic Algorithms”，J.Wiley＆amp; Sons，1998）。所以这实际上与ES实数编码相同。

关于父母选择，GA有许多不同的策略。我不知道所有这些，但我认为所有选择（不仅是最好用于某些应用程序）。

Answer 3

在研究演进策略（ES）时，偶然发现了这个问题。

正如Paul之前所注意到的，这里的编码并没有真正的区别，因为这是特定算法的实现细节，尽管在ES中似乎更常见。

要回答这个问题，我们首先需要向后退一步，看看ES算法的内部原理。 在ES中，有一个内生和外生进化参数的概念。内源性参数与个体相关联，因此会与它们一起进化，从“外部”提供外源性参数（例如，由开发人员设置为常数，或者可以存在根据迭代次数设置其值的功能/策略）。

个体 k 因此由两部分组成：

• y（k）-一组表示单个基因型的 object 参数（例如，实数/整数值的向量）
• s（k）-一组 strategy 参数（例如，再次是实值/整数值的向量），例如可以控制突变的统计特性）

正在选择，变异，重组一起的这两个向量。

GA和ES之间的主要区别在于，在经典GA中，算法参数的类型之间没有区别。实际上，所有参数都是从“外部”设置的，因此在ES术语中是外生的。

还有其他一些细微差异，例如在ES中，选择策略通常是相同的，而在GA中，可以互换使用多种不同的方法。

您可以在此处找到更详细的说明（请参阅第3章）：Evolution strategies. A comprehensive introduction

Answer 4

主要区别似乎是遗传算法代表使用整数序列的解决方案，而进化策略使用一系列实数 - 参考：http://en.wikipedia.org/wiki/Evolutionary_algorithm#

Answer 5

维基百科消息来源（http://en.wikipedia.org/wiki/Genetic_algorithm）和@Vaughn Cato表示，两种技术的差异都依赖于实施。 EA使用 实数和GA使用整数。

然而，在实践中，我认为您可以在问题的制定和程序中使用整数或实数。这取决于你。例如，对于蛋白质折叠，您可以说这组二面角形成一个向量。这是一个实数的向量，但条目 用整数标记，所以我认为你可以制定你的问题，并根据你的程序编写程序 在整数运算上。这只是一个想法。