9、基于 LS 链和 CMA - ES 的模因算法及相关实验研究

基于 LS 链和 CMA - ES 的模因算法及相关实验研究

1. MA - LSCh - CMA 算法介绍

MA - LSCh - CMA 是基于所提 MACO 模型构建的实例，它将 CMA - ES 作为强连续局部搜索（LS）算法，以下是该算法的主要特征：
- 稳态遗传算法（Steady - state GA） ：这是一种实编码的稳态遗传算法，旨在通过多种策略促进种群的高多样性。具体而言，它结合了高参数值（α = 0.5）的 BLX - α 交叉算子和负选型交配策略，同时采用 BGA 变异算子。这种选择父代和替换策略的组合，能在探索和开发之间实现良好的平衡。在模因算法文献中，在使用局部搜索和进化算法时保持种群多样性是一个需要解决的问题。
- CMA - ES 作为连续 LS 算法 ：MA - LSCh - CMA 遵循 MACO 方法处理 LS 链，以调整 CMA - ES 的强度。应用 CMA - ES 细化个体 Ci 时，遵循以下准则：
- Ci 成为分布的初始均值（m）。
- 初始 σ 值为 Ci 到稳态遗传算法种群中最近个体距离的一半，这有助于在 Ci 周围进行有效探索。
CMA - ES 作为局部搜索器，消耗 Istr 次适应度函数评估。结果解将与协方差矩阵的当前值、分布均值、步长以及用于指导这些参数调整的变量（B、BD、D、pc 和 pσ）一起引入稳态遗传算法种群。当对插入的解再次应用 CMA - ES 时，将恢复这些值以进行新的应用。对于不属于现有链的解，其余策略参数采用默认值。
- 参数设置 ：实验中，MA - LSCh - C