17、进化策略算法中的自适应研究

进化策略算法中的自适应研究

1. 自适应进化策略概述

自适应在进化策略（ES）中越来越受欢迎，主要是因为它能灵活适应不同的适应度景观。这种方法能在实值搜索空间中隐式学习变异强度。自适应基于变异算子，利用策略参数修改问题变量，同时搜索问题空间和参数空间，在进化过程中，问题变量和策略参数的最优值得以保留。

进化算法（EAs）本质上是动态的自适应过程，因此在运行过程中固定控制算法行为的策略参数，与进化计算（EC）的进化理念相悖。Rechengerg和Schwefel提出了“进化的进化”，将策略参数纳入个体表示，并使其接受变异算子的操作。在进化搜索过程中，能使问题变量最适应适应度景观的策略参数值，由待解决问题的适应度函数确定。在EC中，策略参数与问题变量同时进化的过程也被称为自适应。

2. 进化策略原理

进化策略的灵感源自生物进化原则。假设存在一个由所谓“个体”组成的种群P，每个个体包含一个解或对象参数向量x∈Rn（可见特征）、内生参数s（隐藏特征）以及相关的适应度值f(x)。在某些情况下，种群中可能只有一个个体。根据上下文，个体也可称为父代或子代。

在代际过程中，首先从种群中挑选一个或多个父代（交配选择），通过复制和重组这些父代生成新的子代；然后，新子代进行变异，成为种群的新成员；最后，环境选择将种群规模缩减至原始大小。

3. 进化算法伪代码

基于上述思路，可以开发计算机算法来分析问题及其数据，以找到该问题的最优解。具体步骤如下：
1. 随机生成初始种群P(t)并进行评估。
2. 应用变异技术将子代调整到新集合P’(t)。
3. 评估这些子代的适应度，然后从父代集合P(