演进策略

Question

自适应进化策略背后的基本思想是什么？策略参数是什么?在算法运行期间如何处理它们？

Answer 1

在scholarpedia上有一篇关于演进策略的优秀文章。我也可以推荐优秀的期刊文章: Beyer，H.-G. & Schwefel，H.-P.进化策略-综合介绍。自然计算，2002，1，3-52。

在专家系统的历史中，有几种采用策略参数的方法。自适应的目标通常是当前解周围的采样区域的形状和大小。首先是1/5成功准则，然后是sigma自适应，最后是协方差矩阵自适应(CMA-ES)。为什么这很重要？简单地说:为了在搜索的所有阶段保持进化进程，突变强度的适应是必要的。你越接近最优，你就越不想改变你的向量。

与sigma自适应相比，CMA-ES的优势在于它还可以适应区域的形状。Sigma自适应仅限于轴平行自适应。

Answer 2

为了获得更大的了解，Introduction to Evolutionary Computing一书有一个很棒的章节(#8)关于参数控制，自适应是其中的一部分。

下面是引言部分的内容：

在全局范围内，我们区分了两种主要的参数值设置形式：参数调整和参数控制。通过参数调整，我们指的是通常实践的方法，即为参数找到好的值，而不是运行算法，然后使用这些值运行算法，这些值在运行期间保持不变。在这一节的后面，我们给出了一些论点，即在EA运行期间具有固定值的任何静态参数集似乎都是不合适的。参数控件构成了另一种选择。因为它相当于用在运行期间改变的初始参数值开始运行。

参数调整是一种典型的算法设计方法。这种调整是通过使用不同的值进行实验并选择在测试问题上提供最佳结果的值来完成的。手。但是，可能的参数数量及其不同的值意味着这是一项非常耗时的活动

参数控制是基于这样的观察，即为进化算法找到好的参数值是一个结构不佳、定义不明确的复杂问题。这正是EAs通常被认为比其他方法执行得更好的那类问题。因此，使用EA将EA调优到特定问题是一个很自然的想法。这可以使用两个EA来完成:一个用于解决问题，另一个-所谓的meta-EA -调优第一个。它也可以通过只使用一个EA来完成，该EA在解决给定问题的同时将自身调优到该问题。在改变突变参数的进化策略中引入的Self-adaptation，就属于这一类

然后是具体的例子和进一步的细节。

Answer 3

进化计算中自适应背后的目标通常是算法应该是通用的，并且需要尽可能少的输入参数形式的问题知识。自适应使算法更加通用，而不需要问题知识来选择正确的参数。