【发布时间】:2015-04-12 01:09:00
【问题描述】:
您好,我是绝对的初学者,我对遗传算法中的迭代优化有相当理论的问题。
迭代优化在逻辑上属于遗传循环(见下文)的哪个位置?我不太确定,但我认为这可能是在种群初始化或突变中,具体取决于给定的问题。
更具体地说明迭代优化算法 - 我想使用“爬山”或“模拟退火”。
我用这个模型作为参考:
【问题讨论】:
您好,我是绝对的初学者,我对遗传算法中的迭代优化有相当理论的问题。
迭代优化在逻辑上属于遗传循环(见下文)的哪个位置?我不太确定,但我认为这可能是在种群初始化或突变中,具体取决于给定的问题。
更具体地说明迭代优化算法 - 我想使用“爬山”或“模拟退火”。
我用这个模型作为参考:
【问题讨论】:
嗯,有几种可能性,基本上所有的都是有意义的。
如果您将优化阶段放在种群初始化之后(在遗传算法本身之前运行一次),那么您得到的是已经优化的初始种群。这可能很有用,因为遗传算法不必进行太多搜索,但它可能是有害的,因为您优化到某些局部最优值,可能会在此过程中丢失有用的信息。
如果你把优化阶段放在选择之前,你会得到一个所谓的模因算法。 MA基于生物体在其整个生命周期中学习的事实(优化)。你有两种方法可以做到这一点:
选取一个个体,对其进行优化,并用优化后的版本替换原来的个体。这被称为“拉马克进化论”,其基础是(最初由 Jean-Baptiste Lamarck 在 19 世纪初提出)所学特征可以传递给后代。
选取一个个体,对其进行优化,然后将优化后的个体丢弃,但将其适应度分配给原始的、未优化的个体。在这个变体中,优化有效地成为适应度评估过程的一部分。这被称为“鲍德温效应”,它基于这样的想法(最初由詹姆斯·马克·鲍德温在 19 世纪末提出),即学习的特征不能传递给后代,而遗传信息则描述了学习的能力。顺便说一句,这就是自然进化的实际运作方式。
当然,优化可以放在所有其他地方,但它没有被使用(至少我不知道任何这样的情况)。但是,您的问题和变异/交叉运算符可能会导致这些地方的优化在某种程度上是有益的。或者你可以试试看你得到了什么。
【讨论】: