主題
Search

進化策略


一種用於最小化實變數函式的差分進化方法。在數值最佳化方面,進化策略比傳統的遺傳演算法快得多,並且也更有可能找到函式的真全域性極值

這些方法啟發式地“模仿”生物進化:即自然選擇的過程和“適者生存”原則。使用基於候選解點“種群”的自適應搜尋程式。迭代涉及競爭性選擇,淘汰較差的解。剩餘的具有較高“適應度值”的候選解池然後透過與另一個解交換元件來“重組”;它們也可以透過對候選解進行一些小規模的更改來“變異”。重組和變非同步驟按順序應用;其目的是生成新的解,這些解偏向於 D 的子集,在這些子集中已經找到了好的,雖然不一定是全域性最優的解。可以構建基於不同進化“遊戲規則”的這種通用策略的許多變體。不同型別的進化搜尋方法包括旨在解決連續全域性最佳化問題的方法,以及旨在解決組合問題的方法。後一組通常稱為遺傳演算法(Goldberg 1989,Michalewicz 1996,Osman 和 Kelly 1996,Voss1999)。


另請參閱

差分進化, 進化程式設計, 遺傳演算法, 遺傳程式設計, 全域性最佳化, 最佳化理論

本條目部分內容由 János Pintér (作者連結) 貢獻

使用 探索

參考文獻

Corne, D.; Dorigo, M.; 和 Glover, F. 最佳化新思路。 New York: McGraw-Hill, 1999.Goldberg, D. E. 搜尋、最佳化和機器學習中的遺傳演算法。 Reading, MA: Addison-Wesley, 1989.Jacob, C. 用 Mathematica 演示進化計算。 San Francisco, CA: Morgan Kaufmann, 2001.Michalewicz, Z. 遺傳演算法 + 資料結構 = 進化程式,第三版。 Berlin: Springer-Verlag, 1996.Osman, I. H. 和 Kelly, J. P. (編輯). 元啟發式演算法:理論與應用。 Dordrecht, Netherlands: Kluwer, 1996.Price, K. 和 Storn, R. "差分進化。" Dr. Dobb's J., Issue 264, 18-24 和 78, Apr. 1997.Voss, S.; Martello, S.; Osman, I. H.; 和 Roucairol, C. (編輯). 元啟發式演算法:最佳化區域性搜尋正規化的進展與趨勢。 Dordrecht, Netherlands: Kluwer, 1999.

在 中被引用

進化策略

請這樣引用

Pintér, JánosWeisstein, Eric W. “進化策略。” 來自 Web 資源。 https://mathworld.tw/EvolutionStrategies.html

主題分類