进化算法的四个分支（遗传算法、进化规划、进化策略、遗传编程） |
您所在的位置：网站首页 › 遗传算法的发展历程是什么意思 › 进化算法的四个分支（遗传算法、进化规划、进化策略、遗传编程） |
|
1. 遗传算法 (1) 遗传算法历程 20世纪50年代末期，Holland教授开始研究自然界自适应现象，希望将自然界的进化方法用于实现求解复杂问题的自动程序设计。提出用一组二进制串模拟一组计算机程序，并且定义一个衡量每个程序正确性的度量–适应值 70年代，提出遗传算法基本定理–模式定理，揭示出群体中的优良个体的样本数呈指数级增长的规律 1975年 De Jong建立了遗传算法的工作框架 1989年 Goldberg出版了专著《搜索、优化和机器学习中的遗传算法》 (2) 遗传算法特点 遗传算法必须通过适当的方法对问题的可行解进行编码。解空间中的可行解是个体的表现型，他在遗传算法的搜索空间中对应的编码形式是个体的基因型遗传算法基于个体的适应度来进行概率选择操作在遗传算法中，个体的重组使用交叉算子。交叉算子是遗传算法所强调的关键技术，它是遗传算法中产生新个体的主要方法，也是遗传算法区别于其他进化算法的一个主要特点在遗传算法中，变异操作使用随机变异技术遗传算法擅长对离散空间的搜索，它较多地应用于组合优化问题2. 进化规划 （1）进化规划发展历程 1962年 Fogel提出模仿人类智能的方法 – 进化规划，起初他是为求解预测问题而提出的有限状态机进化模型，这些机器状态是基于均匀随机分布的规律进行变异的。进化规划根据正确预测的符号数来度量适应值。 20实际90年代，进化规划的思想被拓展到实数空间，用来求解实数空间中的优化计算问题 （2）进化规划的特点 进化规划不使用个体重组方面的操作算子，如不使用交叉算子进化规划中的选择运算着重于群体中个体间的竞争选择进化规划直接以问题的可行解作为个体的表现形式，无需对个体进行编码，也无需考虑随机扰动因素对个体的影响，便于应用进化规划以n维实数空间的优化问题为主要处理对象进化规划与遗传算法的区别： 对于待求解问题的表示方面，进化规划因为其变异操作不依赖于线性编码，所以往往可以根据待求解问题的具体情况而采取一种较为灵活的组织方式，典型的遗传算法则通常要把问题的解编码成为一串表达符号，即基因组的形式。前者这种特点有些类似于神经网络对问题的表达方法。在后代个体的产生方面，进化规划侧重于群体中个体行为的变化。与遗传算法不同的是，进化规划没有利用个体之间的信息交换，所以也就省去了交叉和插入算子而只保留了变异操作在竞争与选择方面，进化规划没有利用个体之间的信息交换，所以也就省去了交叉和插入算子而只保留了变异操作在竞争与选择方面，进化规划允许父代与子代一起参与竞争，正因为如此，进化规划可以保证以概率1收敛于全局最优解，而典型遗传算法如不强制保留父代最优解，则算法是不收敛的。3. 进化策略 进化策略是一类模仿自然进化原理以求解参数优化问题的算法 进化策略主要特点： 进化策略以n维实数空间中的优化问题为主要处理对象。进化策略的个体中含有随机扰动因素进化策略中个体的适应度直接取它所对应的目标函数值个体的变异运算是进化策略中所采用的主要搜索技术，而个体间的交叉运算只是进化策略中所采用的辅助搜索技术进化策略中的选择运算是按照确定的方式进行的，每次都是从群体中选取最好的几个个体，将他们保留在下一代群体中4. 遗传编程 遗传编程采用遗产算法的基本思想，当使用了一种更加灵活的分层结构方式来表示解空间 遗传编程是用一些遗传操作动态的改变这些结构以获得解决问题的可行计算机程序 |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |