evolutionary-algorithm - 进化策略

Question

自适应进化策略背后的基本思想是什么？什么是策略参数以及在算法运行期间如何操纵它们？

Answer 1

为了获得更大的图景，《进化计算简介》一书有一个很棒的章节（#8）关于参数控制，其中自我适应是其中的一部分。

以下是引言部分的引文：

在全球范围内，我们区分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，我们指的是通常实践的方法，即为参数找到好的值不会运行算法，然后使用这些值运行算法，这些值在运行期间保持固定。在本节的稍后部分，我们给出的论点是任何在 EA 运行期间具有固定值的静态参数集似乎都是不合适的。参数控制形成了另一种选择。因为它相当于使用在运行期间更改的初始参数值开始运行。

参数调优是一种典型的算法设计方法。这种调整是通过尝试不同的值并选择在测试问题上给出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]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良、定义不明确、复杂的问题。这正是 EA 通常被认为比其他方法表现更好的问题。因此，使用 EA 来调整 EA 以适应特定问题是很自然的想法。这可以使用两个 EA 来完成：一个用于解决问题，另一个 - 所谓的元 EA - 用于调整第一个。也可以通过仅使用一个 EA 来调整自身以适应给定问题，同时解决该问题。 自适应，如用于改变突变参数的进化策略中所介绍的，属于这一类

然后是具体的例子和进一步的细节。

Answer 2

学术百科上有一篇关于进化策略的优秀文章。我还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 ES 的历史中，有几种采用策略参数的方法。自适应的目标一般是当前解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，最后是协方差矩阵自适应 (CMA-ES)。为什么这很重要？简而言之：突变强度的适应对于保持搜索各个阶段的进化进程是必要的。您越接近最佳状态，您就越不想改变您的向量。

CMA-ES 相对于 sigma 自适应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 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，并且需要尽可能少的问题知识，即您必须指定的输入参数形式。自适应使算法更通用，而不需要问题知识来选择正确的参数化。