第三章进化规划与进化策略.pptVIP

第三章 进化规划与进化策略 简介 GA, EP ES 统称为进化计算(Evolutionary Computation，EC) 模拟生物界自然进化过程而建立的随机优化算法 三者独立建立，基本思想相同但是又各自有所侧重 内 容 EP起源与发展 EP机理 EP流程图 EP特点 EP实现 EP基础理论研究 EP应用领域 EP简单演示 EP策略 EP起源与发展 美国 L. J. Fogel 60年代 认为智能性体现在对环境的预知能力以及在一定目标指导下对环境做出合理响应 66年 Fogel《基于模拟进化的人工智能》 遭到质疑 92年 EP首届年会 获得承认 EP机理 优化问题的解被视为个体 随机产生初始群体 按照某种变异规则对群体进行变异操作产生新个体 根据适应度函数对所有个体进行评价，随机保留最好的一半 然后重复上述变异选择过程直到满足终止条件 EP流程图 EP特点 只有变异，没有交叉 其他方面类似于GA 编码空间 并行计算 适应度函数 自适应随机搜索 简单易行 EP实现 通用框架 确定问题编码方案 确定适配值函数 设计选择算子和变异算子 确定算法参数 确定算法终止条件 生成初始种群 EP基础理论研究 类似于GA，面临同样的问题 主要是收敛性分析：是否收敛？收敛性能？ 数学工具类似 随机模型理论 相对GA,研究结果更少，基础更薄弱 EP应用领域 类似于GA，非常广泛 主要是人工智能方面 EP简单演示 EP简单演示 EP策略 针对不同实际问题需要调整相应策略 同一个实际问题不同的人也有不同的做法 编码方案：比GA更灵活 适应度函数设计：与GA类似 初始种群：与GA类似 选择算子 变异算子 EP策略 编码方案 比GA灵活, 因为没有交叉算子 实数编码：无需编码和解码 序列编码：例如TSP的路径表达 更自由开放的编码 EP策略 选择算子 经典策略:对每个个体都进行变异，使得个体总数加倍，然后从中剔除一半。 当然可以采用GA中所提出的各种算子 变异算子 经典：高斯变异 当然可以采用GA中所提出的各种算子 ES起源与发展 欧洲 德国柏林技术大学学生 I. Rechenberg, H.P. Schwefel 60年代 问题：用风洞做实验，确定气流中物体的最优外形。 解决：按照自然突变和自然选择的物种进化思想，对物体的外形参数进行随机变化寻找最优外形。 反映：当时人们无法接受 90年 欧洲首届国际会议 ES机理 优化问题的解被视为个体 随机产生初始群体 按照某种重组规则产生新个体 按照某种变异规则对群体进行变异操作产生新个体 按照某种选择规则选择新群体的组成 然后重复上述变异选择过程直到满足终止条件 ES流程图 ES特点 重组类似于交叉 更灵活自由 其他方面类似于GA 编码空间 并行计算 适应度函数 自适应随机搜索 简单易行 ES实现 通用框架 确定问题编码方案 确定适配值函数 设计重组算子，选择算子和变异算子 确定算法参数 确定算法终止条件 生成初始种群 ES基础理论研究 类似于GA，面临同样的问题 主要是收敛性分析：是否收敛？收敛性能？ 数学工具类似 随机模型理论 相对GA,研究结果更少，基础更薄弱 ES应用领域 类似于GA，非常广泛 主要是人工智能方面 ES简单演示 ES简单演示 ES策略 针对不同实际问题需要调整相应策略 同一个实际问题不同的人也有不同的做法 编码方案：比GA更灵活 适应度函数设计：与GA类似 初始种群：与GA类似 选择算子 重组算子：与GA类似,更灵活 变异算子 ES策略 编码方案 比GA较灵活, 因为重组算子比较交叉算子灵活 实数编码：无需编码和解码 序列编码：例如TSP的路径表达 更自由开放的编码 ES策略 选择算子：完全确定 经典策略: (λ,μ)ES： 用μ个父个体产生λ个个体 从新个体种选择μ个个体作为子代。 (λ+μ)ES： 用μ个父个体产生λ个个体 从父个体与新个体中选择μ个个体作为子代。 变异算子 经典：高斯变异 当然可以采用GA中所提出的各种算子 GA, EP, ES三者的比较 相同点：模拟自然进化过程 随机优化过程 侧重点： GA 基因层次的变化，强调交叉的作用，抑止变异的作用，随机性选择 EP 个体层面的变化，强调变异，没有交叉 ES 种群层面的变化，强调变异，有交叉（重组），确定性选择 进化计算的一般性框架 1）给定一组初始解； 2）评价当前解的适应度，若满足要求，停止； 3）对当前解选择一些解进行产生下一代解的操作； 4）通过适当变换（交叉，变异等）产生新的解； 5）确定新的解，返回2）。 引发思考 自然界到底是否有进化方向？ 自然环境是否静止或者改变？ 生物自身的发展对环境是否有影响？ 与完全随机搜索比较真的好吗？ * by 谢广明 ， 2005~200