Стратегии эволюции генетического алгоритма

Сложность
Средний 50%

Стратегии эволюции

Эволюционные стратегии вдохновлены теорией эволюции путем естественного отбора. Точнее, метод вдохновлен процессом эволюции на макроуровне или на уровне вида (фенотип, наследственность, изменчивость) и не интересуется генетическими механизмами эволюции (геном, хромосомы, гены, аллели).

Цель алгоритма стратегической эволюции состоит в том, чтобы максимизировать релевантность набора возможных решений в контексте целевой функции в данной области. Цель достигается за счет принятия динамической вариации, замены спуска с модификацией, где количество вариаций динамически адаптируется с помощью эвристики, основанной на характеристиках. Современные подходы совместно адаптируют параметры, контролирующие количество и погрешность вариации, с решениями-кандидатами.

Экземпляры алгоритмов стратегии эволюции могут быть кратко описаны с помощью пользовательской терминологии в форме (μ; λ), где μ — количество решений-кандидатов в родительском поколении, а λ — количество решений-кандидатов, сгенерированных из родительского поколения. В этой конфигурации лучшие µ сохраняются, если λ > µ > 1. В дополнение к так называемому алгоритму стратегии эволюции выбора запятой можно определить вариант аддитивного выбора (µ + λ), где лучшие члены объединения поколения μ и λ соревнуются в зависимости от пригодности к положению в следующем поколении.

Другая версия записи алгоритма включает ρ как (μ/ρ; λ), который указывает количество родителей, которые будут вносить вклад в каждое новое решение-кандидат, используя оператор рекомбинации. Классическим правилом, используемым для управления количеством мутаций (стандартное отклонение, используемое при мутациях для оптимизации непрерывной функции), было правило 1/5, согласно которому отношение успешных мутаций должно составлять 1/5 всех мутаций. Если оно больше, дисперсия увеличивается, в противном случае, если отношение ниже, дисперсия уменьшается.

Вариант алгоритма с выбором запятой может быть полезен для случаев динамических задач, учитывая его способность продолжать исследование пространства поиска, в то время как вариант аддитивного выбора может быть полезен для уточнения и сходимости.

стратегии эволюции
Делиться
ru_RURU