遗传算法和进化策略有什么区别？

Question

我已经阅读了几本介绍性书籍以及一些关于这两个主题的论文，在我看来这两种方法几乎完全相同。也就是说，我还没有时间真正深入研究这些主题，所以我可能错了。

遗传算法和进化策略有什么区别？是什么让它们不同，它们的相似之处在哪里？

Answer 1

主要区别似乎是遗传算法使用整数序列表示解决方案，而进化策略使用实数序列 - 参考：http://en.wikipedia.org/wiki/Evolutionary_algorithm#

Answer 2

正如维基百科来源 (http://en.wikipedia.org/wiki/Genetic_algorithm) 和 @Vaughn Cato 所说，两种技术的区别取决于实现。 EA使用 实数和 GA 使用整数。

但是，在实践中，我认为您可以在问题的表述和程序中使用整数或实数。这取决于你。例如，对于蛋白质折叠，您可以说一组二面角形成一个向量。这是一个实数向量，但条目 用整数标记，所以我认为你可以制定你的问题并编写基于你的程序 关于整数算术。这只是一个想法。

Answer 3

在进化策略中，个体被编码为实数向量。在繁殖时，父母被随机选择，最适合的后代被选择并插入下一代。 ES个体是自适应的。步长或“突变强度”被编码在个体中，因此好的参数通过选择好的个体传递给下一代。

在遗传算法中，个体被编码为整数。选择是通过选择与其适应度成比例的父母来完成的。因此，必须在第一次选择完成之前对个人进行评估。遗传算子在位级别上工作（例如，将位串切割成多个片段并与另一个父级的片段互换或切换单个位）。

这就是理论。在实践中，有时很难区分这两种进化算法，您需要创建混合算法（例如，对遗传算子的参数进行编码的整数（位串）个体）。

Answer 4

在大多数关于 GA 的较新教科书中，引入了实值编码作为整数编码的替代方案，即可以将个体编码为实数向量。这称为连续参数 GA（参见例如 Haupt & Haupt，“Practical Genetic Algorithms”，J.Wiley&Sons，1998）。所以这实际上与 ES 实数编码相同。

关于父母选择，有许多针对 GA 发布的不同策略。我不知道所有这些，但我假设在所有应用中进行选择（不仅最好的已用于某些应用程序）。

Answer 5

在研究进化策略 (ES) 时偶然发现了这个线程。

正如 Paul 之前注意到的，编码在这里并没有真正的区别，因为这是特定算法的实现细节，尽管它在 ES 中似乎更常见。

要回答这个问题，我们首先需要退后一步，看看 ES 算法的内部结构。 在 ES 中有一个内生和外生参数的进化参数的概念。内生参数与个体相关，因此与他们一起进化，外生参数是从“外部”提供的（例如，由开发人员设置为常数，或者可以有一个函数/策略根据迭代次数设置它们的值）。

个体k因此由两部分组成：

• y(k) - 一组 object 参数（例如，实数/整数值向量），表示个体基因型
• s(k) - 一组 strategy 参数（例如，又是一个实数/整数值向量），例如可以控制突变的统计特性）

这两个向量正在被选择、变异、重组一起。

GA 和 ES 的主要区别在于，在经典 GA 中，算法参数的类型没有区别。实际上所有参数都是从“外部”设置的，所以在 ES 中术语是外生的。

还有其他细微差别，例如在 ES 中，选择策略通常是相同的，而在 GA 中，有多种不同的方法可以互换。

你可以在这里找到更详细的解释（见第 3 章）：Evolution strategies. A comprehensive introduction