进化战略

Question

自适应进化策略背后的基本理念是什么？什么是策略参数以及在算法运行期间如何操作它们？

Answer 1

关于进化战略的scholarpedia有一篇很好的文章。我还可以推荐优秀的期刊文章：Beyer，H.-G。 ＆安培; Schwefel，H.-P。进化策略 - 综合介绍。自然计算，2002,1,3-52。

在ES的历史中，有几种采用策略参数的方法。适应的目标通常是当前解决方案周围的采样区域的形状和大小。第一个是1/5成功规则，然后是sigma自适应和最后协方差矩阵适应（CMA-ES）。为什么这很重要？简单来说：变异强度的调整对于维持搜索的所有阶段的进化过程是必要的。你越接近最佳状态，你想要改变你的矢量就越少。

CMA-ES优于sigma自适应的优势在于它还能适应该区域的形状。 Sigma自适应仅限于轴平行适应。

Answer 2

为了获得更大的图片，书Introduction to Evolutionary Computing有一个关于参数控制的伟大章节（＃8），自适应是其中的一部分。

以下是介绍部分的引用：

  

在全球范围内，我们区分了设置参数值的两种主要形式：   参数调整和参数控制。通过参数调整我们的意思   通常采用的方法相当于找到好的价值观   对于参数不运行算法然后运行   使用这些值的算法，在运行期间保持固定。后来   在本节中，我们给出了任何静态参数集的参数   在EA运行期间修复值似乎是不合适的。   参数控制形成了另一种选择因为它等于开始了   使用在运行期间更改的初始参数值运行。

     

参数调整是算法设计的典型方法。这样   通过试验不同的值并选择来完成调整   能够在测试问题上取得最佳结果的那些。手。   但是，可能的参数数量和它们的不同值   意味着这是一项非常耗时的活动

     

[参数控制]是基于发现良好的观察   进化算法的参数值结构不合理，   不明确的，复杂的问题。这正是那种问题   哪些EA通常被认为比其他方法表现更好。   因此，使用EA将EA调整为a是一个自然的想法   特别的问题。这可以使用两个EA完成：一个用于解决问题   解决另一个 - 所谓的元EA - 调整第一个   一。也可以通过仅使用一个EA来完成   在解决这个问题的同时，将自己调整到一个给定的问题。   自我适应，正如进化策略中所介绍的那样   突变参数属于这一类

然后是具体的例子和进一步的细节。

Answer 3

一般来说，进化计算中自适应背后的目标是算法应该是通用的，并且需要尽可能少地以输入参数的形式提供问题知识。 自适应使算法更通用，无需问题知识就可以选择正确的参数化。