Estrategias de evolución
Las estrategias evolutivas están inspiradas en la teoría de la evolución por selección natural. Más precisamente, la técnica se inspira en el proceso de evolución a nivel macro o a nivel de especie (fenotipo, herencia, variación) y no está interesada en los mecanismos genéticos de la evolución (genoma, cromosomas, genes, alelos).
El objetivo del algoritmo de evolución estratégica es maximizar la relevancia de la colección de soluciones candidatas en el contexto de una función objetivo en un dominio dado. El objetivo se logra adoptando la variación dinámica, un sustituto del descenso con modificación, donde la cantidad de variación se ha adaptado dinámicamente con heurística basada en el rendimiento. Los enfoques contemporáneos se ajustan a los parámetros que controlan la cantidad y el sesgo de variación con las soluciones candidatas.
Las instancias de los algoritmos de la estrategia de evolución se pueden describir de manera concisa con terminología personalizada en la forma (μ; λ), donde μ es el número de soluciones candidatas en la generación principal y λ es la cantidad de soluciones candidatas generadas a partir de la generación principal. En esta configuración, los mejores μ se mantienen si λ> μ> 1. Además del algoritmo denominado Comma Selection Evolution Strategies, se puede definir una variación de selección aditiva (μ + λ), donde los mejores miembros de la unión del Las generaciones μ y λ compiten en aptitud para un puesto en la próxima generación.
Otra versión de la notación del algoritmo incluye un ρ como (μ / ρ; λ) que especifica el número de padres que contribuirán a cada nueva solución candidata utilizando un operador de recombinación. Una regla clásica usada para gobernar la cantidad de mutación (desviación estándar usada en la mutación para la optimización de la función continua) fue la regla 1: 5, donde la proporción de mutaciones exitosas debe ser 1: 5 de todas las mutaciones. Si es mayor, la varianza aumenta; de lo contrario, si la relación es menor, la varianza disminuye.
La variación de selección de coma del algoritmo puede ser buena para instancias de problemas dinámicos dada su capacidad para continuar explorando el espacio de búsqueda, mientras que la variación de selección aditiva puede ser buena para el refinamiento y la convergencia.
