基于 DEAP 的进化策略实战：多项式函数逼近

0. 前言

进化策略 (Evolutionary Strategies, ES) 是进化计算和遗传方法的扩展，增加了控制亚基因或表现型(称为策略)的内容。这些策略只是一个额外的向量，用于控制或影响突变算子。这为 ES 提供了更有效地解决各种复杂问题的能力，包括函数逼近。在本节中，我们将使用 ES 探索函数逼近问题。简单起见，首先尝试逼近已知连续多项式解的函数参数。然后，再转向更复杂的不连续解，观察 ES 的表现。

1. 进化策略

1.1 进化策略原理

进化策略 (Evolutionary Strategies, ES) 是一类基于生物进化原理的优化算法，主要用于解决复杂的优化问题。ES 与“纯粹”的遗传算法不同之处在于，个体携带额外的基因序列或向量，称为策略。在进化过程中，这个策略向量学习调整并应用更好、更精细的突变到个体进化中。我们已经知道，突变和突变率就像深度学习 ( Deep learning, DL) 中的学习率，突变控制了进化过程中种群的变异能力。突变率越高，种群的变异能力和多样性就越大。在迭代过程中控制和学习突变率，能够更有效地确定解决方案。

1.2 将进化策略应用于函数逼近

进化策略与其他进化算法(如遗传算法)的