Stratégies d'évolution pour l'algorithme génétique

Les stratégies d’évolution s’inspirent de la théorie de l’évolution par sélection naturelle. Plus précisément, la technique s’inspire du processus d’évolution au niveau macro ou au niveau de l’espèce (phénotype, héréditaire, variation) et ne s’intéresse pas aux mécanismes génétiques de l’évolution (génome, chromosomes, gènes, allèles).

L’objectif de l’algorithme d’évolution stratégique est de maximiser la pertinence de la collecte de solutions candidates dans le contexte d’une fonction objective dans un domaine donné. L’objectif est atteint par l’adoption de la variation dynamique, un substitut de la descente avec modification, où la quantité de variation a été adaptée dynamiquement avec des heuristiques basées sur les performances. Les approches contemporaines co-adaptent les paramètres contrôlant la quantité et le biais de variation avec les solutions candidates.

Les instances des algorithmes des stratégies d’évolution peuvent être décrites de manière concise avec une terminologie personnalisée sous la forme (μ; λ), où μ est le nombre de solutions candidates dans la génération parente, et λ est le nombre de solutions candidates générées à partir de la génération parente. Dans cette configuration, les meilleurs μ sont conservés si λ> μ> 1. En plus de ce que l’on appelle l’algorithme Stratégies d’évolution de sélection par virgule, une variation de sélection additive peut être définie (μ + λ), où les meilleurs membres de l’union des générations μ et λ rivalisent en fonction de la fitness pour une position dans la prochaine génération.

Une autre version de la notation des algorithmes comprend un ρ as (μ / ρ; λ) qui spécifie le nombre de parents qui contribueront à chaque nouvelle solution candidate à l’aide d’un opérateur de recombinaison. Une règle classique utilisée pour régir la quantité de mutation (écart type utilisé dans la mutation pour l’optimisation de la fonction continue) était la règle 1/5, où le rapport des mutations réussies devrait être 1/5 de toutes les mutations. Si elle est supérieure, la variance est augmentée, sinon si le rapport est inférieur, la variance est diminuée.

La variation de sélection par virgule de l’algorithme peut être bonne pour les instances de problèmes dynamiques étant donné sa capacité à continuer l’exploration de l’espace de recherche, tandis que la variation de sélection additive peut être bonne pour le raffinement et la convergence.