ml-chap09.docVIP

遗传算法 遗传算法提供了一种大致基于模拟进化的学习方法。其中的假设常被描述为二进制位串，位串的含义依赖于具体的应用。然而，假设也可以被描述为符号表达式或者甚至是计算机程序。对合适假设的搜索是从若干初始假设的群体（population）或汇集（collection）开始的。当前群体的成员通过模仿生物进化的方式来产生下一代群体，比如说随机变异（mutation）和交叉 遗传算法（GA）提供了一种受生物进化启发的学习方法。它不再是从一般到特殊或从简单到复杂地搜索假设，而是通过变异和重组当前已知的最好假设来生成后续的假设。在每一步，被称为当前群体（population）的一组假设被更新，方法是通过使用目前适应度最高的假设的后代替代群体的某个部分。这个过程形成了对假设的生成并测试（generate-and-test）柱状搜索（beam-search），其中若干个最佳当前假设的变体最有可能在下一步被考虑。GA的普及和发展得益于以下因素： 在生物系统中进化被认为是一种成功的自适应方法，并且具有很好的鲁棒性。 GA搜索的假设空间中，假设的各个部分相互作用，每一部分对总的假设适应度的影响难以建模。 遗传算法易于并行化，且可降低由于使用超强计算机硬件的带来的昂贵费用。 这一章描述了遗传算法，举例演示了它的用法，并分析了它搜索的假设空间的特性。我们也描述了它的一个变体，称为遗传编程，在这种方法中，整个计