【发布时间】：2019-05-01 23:10:16
【问题描述】：
differential evolution 中的突变背后的想法是什么，为什么这种突变会表现良好？ 我看不出它背后有什么好的几何原因。
谁能指出我对此的一些技术解释？
【问题讨论】：
标签： evolutionary-algorithm mutation differential-evolution
【发布时间】：2019-05-01 23:10:16
【问题描述】：
像所有进化算法一样，DE 使用启发式算法，所以我的解释会有点手忙脚乱。像所有进化算法一样，DE 试图做的是进行一个不是太随机的随机搜索。 DE 的变异算子首先计算种群中两个随机成员之间的向量，然后将该向量添加到种群的第三个随机成员中。这很有效，因为它使用当前的人口作为一种方式来确定要采取多大的步骤，以及朝什么方向。如果人口分散，大步走是合理的；如果它是紧密集中的，那么采取小步骤是合理的。
DE 比 Goldberg 的 GA 工作得更好的原因有很多，但专注于变分运算符，我想说最大的区别是 DE 使用实数编码变量，而 GA 使用二进制编码。在连续空间上进行优化时，二进制编码不是一个好的选择。这从 1990 年代初就为人所知，主要德国进化战略社区和主要美国遗传算法社区之间的相遇中最先出现的事情之一是 Deb 的模拟二进制交叉。此运算符的作用类似于 GA 的交叉运算符，但作用于实数编码变量。
【讨论】：