进化策略[关闭]答案

【问题标题】：Evolution Strategies [closed]进化策略[关闭]
【发布时间】：2012-01-18 16:02:50
【问题描述】：

自适应进化策略背后的基本思想是什么？策略参数是什么？在算法运行过程中如何操纵它们？

【问题讨论】：

除了基本思想之外，每个算法都不同。基本思想可以在任何有关进化算法的论文或教科书中找到。投票结束，因为这个问题对 SO 来说太宽泛了。

【解决方案1】：

scholarpedia 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 的历史上，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。越接近最优值，就越不想改变向量。

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。

【讨论】：

【解决方案2】：

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

这是引言部分的引述：

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，我们的意思是等同于寻找良好价值的常用方法对于参数不会运行算法，然后运行使用这些值的算法，这些值在运行期间保持固定。之后在本节中，我们给出任何静态参数集的参数在 EA 运行期间固定值似乎是不合适的。参数控制形成了另一种选择。因为这相当于开始一个使用在运行期间更改的初始参数值运行。

参数调优是一种典型的算法设计方法。这样的通过尝试不同的值并选择在测试问题上给出最佳结果的那些。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】是基于观察发现好的进化算法的参数值结构很差，定义不明确，复杂的问题。这正是上的那种问题哪些 EA 通常被认为比其他方法表现更好。因此，使用 EA 将 EA 调整为特别的问题。这可以使用两个 EA 来完成：一个用于问题解决和另一个 - 所谓的元 EA - 调整第一个一。也可以通过仅使用一个 EA 来完成在解决该问题的同时调整自身以适应给定的问题。 自适应，如在进化策略中介绍的变异参数，属于这一类

然后是具体示例和更多细节。

【讨论】：

【解决方案3】：

一般来说，进化计算中自我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。

【讨论】：