91、遗传算法在动态环境中的构建块与记忆方案研究

遗传算法在动态环境中的构建块与记忆方案研究

不同变体下遗传算法的表现

在研究遗传算法（GA）在动态环境中的表现时，我们探讨了三种不同的变体：平滑变体（Smooth Variant）、权重变体（Weight Variant）和之前提到的悬崖变体（Cliffs Variant）。

平滑变体结果

在平滑变体中，我们关注的是在变化和静态环境下遗传算法的最佳和平均性能。从图 5 的结果可以看出，从长远来看，在定期变化环境中的遗传算法能够优于在静态环境中的遗传算法。在这个变体中，变化环境的表现较早地超过了静态环境，但遗传算法的整体表现不如悬崖变体。这是因为该变体中的景观变化不够剧烈，不足以防止遗传算法过早收敛。

在震荡期间，系统的平均性能下降幅度比最佳性能更大。这是因为在震荡后，过去不是最佳的个体可能成为最佳个体，从而减轻了最佳性能的下降，尽管总体上种群的适应度有所损失。而且，与悬崖变体相比，平滑变体中震荡对性能的影响并不那么显著，这表明平滑变体中的震荡相对较为温和。

权重变体结果

权重变体的结果与平滑变体和悬崖变体有很大不同。从图 6 可以看出，在静态和变化环境之间几乎没有差异。在这个变体中，遗传算法的表现不如平滑变体和悬崖变体。这是因为随着震荡严重程度的降低，遗传算法更有可能收敛到次优解。

不过，权重变体中的遗传算法在早期能够取得更快速的进展，因为短的基本构建块更容易被发现。此外，之前观察到的震荡后平均性能下降幅度大于最佳性能的现象在这里并未出现。这是因为种群中的最佳个体与平均个体之间的差异不大，而且震荡造成的损失较小，所有个体的下降幅度都很小。这进一步证明了该变体中的震荡对遗传算法的搜索过程影响很小，