从我目前所读到的内容来看，它们看起来非常相似。微分进化改用浮点数，解叫向量？我不太确定那是什么意思。如果有人可以概述一下两者的优缺点。
问问题
11364 次
2 回答
26
嗯，遗传算法和差分进化都是进化计算的例子。
遗传算法与遗传繁殖的隐喻非常接近。甚至语言也大体相同——都谈染色体，都谈基因，基因是不同的字母，都谈交叉，交叉相当接近于对遗传繁殖的低层次理解，等等。
微分进化的风格相同，但对应关系并不准确。第一个重大变化是 DE 使用的是实际实数（在严格的数学意义上——它们被实现为浮点数、双精度数或其他任何东西，但理论上它们的范围是实数域。）结果, 变异和交叉的思想本质上是不同的。到目前为止，变异算子已经过修改，以至于我什至很难理解为什么它被称为变异，除了它的目的是为了打破局部最小值。
从好的方面来说，有少数结果表明 DE 通常比遗传算法更有效和/或更高效。在进行数值优化时，能够将事物表示为实际的实数是很好的，而不必首先使用染色体类型的表示。（注意：我已经阅读过它们，但我并没有对它们进行过广泛的研究，所以我无法从第一手的知识中真正发表评论。）
不利的一面是，我认为目前还没有任何 DE 收敛的证据。
于 2012-03-02T01:44:18.453 回答
11
差分进化实际上是更广泛的遗传算法空间的一个特定子集，具有以下限制：
- 基因型是某种形式的实值向量
- 变异/交叉操作利用种群中两个或多个向量之间的差异来创建新向量（通常通过将差异的一些随机比例添加到现有向量之一，加上少量随机噪声）
DE 在某些情况下表现良好，因为可以认为向量形成“云”，非常有效地探索解决方案空间的高价值区域。从某种意义上说，它与粒子群优化密切相关。
然而，它仍然存在卡在局部最小值中的常见 GA 问题。
于 2012-03-02T05:10:17.000 回答