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. 自适应策略概述

自适应策略在进化策略（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。这种方法可以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，该算子使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、自适应的过程。因此，在运行过程中固定控制这些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”概念，将策略参数纳入个体表示中，并让其接受变异算子的操作。这样，在进化搜索过程中，最适应适应度景观的策略参数值会被保留下来，这个过程也被称为EC中的自适应。

2. 进化策略原理

进化策略的灵感来源于生物进化原则。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（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，种群可能只包含一个个体。根据上下文，个体也可称为父代或子代。

在代际过程中，首先从种群中选择一个或多个父代（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恢复到原始大小。

3. 进化算法伪代码

可以根据上述思想开发计算机算法来分析问题及其数据，以实现问题的最优解。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的集合P’(t)。
3. 评估这些子代的适应度。
4. 从父代集合P(t)和子代集合P’(t)中选择子代，