自適應進化策略的基本思想是什麼?什麼是策略參數,以及它們在算法運行期間如何被操縱?進化策略
進化策略
回答
關於Evolution Strategy的scholarpedia有一篇很好的文章。我還可以推薦優秀的期刊文章:Beyer,H.-G. Schwefel,H.-P.進化策略 - 綜合介紹。自然計算,2002,1,3-52。
在ES的歷史中,有幾種採用策略參數的方法。適應的目標通常是當前解決方案周圍採樣區域的形狀和大小。第一個是1/5成功規則,然後是西格瑪自適應和最後的協方差矩陣適應(CMA-ES)。爲什麼這很重要?簡單來說:突變強度的調整對於維持搜索各個階段的演化進程是必要的。越接近最佳狀態,你越想改變你的向量。
CMA-ES優於西格瑪自適應的優勢在於它也適應了區域的形狀。西格瑪自適應僅限於軸平行適配。
想要得到一個更大的圖片,書Introduction to Evolutionary Computing有一個偉大的章節(#8)參數控制,這是自適應的一部分。
這裏是介紹部分採取報價:
在全球範圍內,我們區分設置參數值的兩種主要形式: 參數調整和參數控制。通過參數調整,我們的意思是 通常實踐的方法,相當於找到好的值 的參數不運行算法,然後運行 算法使用這些值,它們在運行期間保持不變。後面的 在本節中我們給出的論點是任何參數 具有在EA運行期間固定的值的靜態集似乎是不合適的。 參數控制形成另一種選擇。因爲它相當於開始 運行時初始參數值在運行期間被更改。
參數調整是一種典型的算法設計方法。通過對不同的值進行試驗並選擇 這些可以在測試問題上給出最佳結果的方法來完成這種調整。手。 然而,可能的參數和它們的值不同 裝置的數量,這是一個非常耗時的活動
[參數控制]是基於以下觀察:對於進化算法找到好的 參數值是結構化不良, 不明確的,複雜的問題。這正是 上的那種問題,其中EA通常被認爲比其他方法表現更好。 因此,使用EA將EA調整爲 特定問題是一個自然的想法。這可以使用兩個EA來完成:一個用於解決問題 ,另一個用於調整第一個 。也可以通過僅使用一個可以解決該問題的EA來解決該問題。 自適應,在進化策略引入改變 突變參數,屬於這一類
再其次是具體的例子和進一步的細節中。
一般而言,演化計算中自適應背後的目標是算法應該是一般的,並且需要儘可能少地指定輸入參數形式的問題知識。 自適應使得算法更加通用,無需選擇正確的參數化問題知識。
- 1. 進化策略與個人步驟
- 2. OOP初始化策略
- 3. 策略模式的變化
- 4. 持久化策略進行單機桌面Java應用程序
- 5. 策略
- 6. 調整Z3中的簡化策略
- 7. Oracle物化視圖:分區策略
- 8. 春季禁用序列化策略
- 9. EC2自動化工具/策略?
- 10. 簡化數學表達式的策略
- 11. 策略模式中的變化參數
- 12. c中的實例初始化策略#
- 13. GSON密碼序列化策略
- 14. ZK的最佳國際化策略
- 15. 在蒙特卡羅樹中改進默認策略(轉出策略)搜索
- 16. 策略MongoDB中
- 17. 緩存策略
- 18. Python MDP策略
- 19. 搜索策略
- 20. 策略在Windows
- 21. 策略一個
- 22. SQL - Windows策略
- 23. 跨域策略
- 24. 同源策略
- 25. 嘲諷策略
- 26. Java BufferedOutputStream策略
- 27. 調度策略
- 28. UINavigationController策略(iPhone)
- 29. Openlayers bbox策略
- 30. 策略創建
除了基本思想之外,每種算法都有所不同。基本思想可以在任何關於進化算法的論文或教科書中找到。投票結束,因爲這個問題對於SO來說太廣泛了。 – 2012-01-18 16:04:41