37、最佳依赖度参数的实验研究与优化

最佳依赖度参数的实验研究与优化

1. 引言

在进化算法中，依赖度参数 ( \gamma ) 是一个关键的外生参数，它直接影响算法的探索与开发能力。为了找到 NES（新颖进化策略）算法中 ( \gamma ) 的最佳设置，我们进行了详尽的实验研究。这些实验不仅帮助我们理解了 ( \gamma ) 对算法性能的影响，还为我们提供了优化进化算法的重要依据。本文将详细介绍实验的设计、测试函数的选择、实验结果的分析以及最终的结论。

2. 实验设置

为了确保实验的严谨性和可重复性，我们使用了固定种群大小 ( \mu = 60 ) 和子种群数量 ( l = 10 ) 的 NES 算法。具体来说，( \gamma ) 的值分别设为 2.0、4.0、6.0、8.0、10.0 和 12.0。每个 ( \gamma ) 值的实验针对每个测试函数运行了 30 次，每次运行都有不同的样本路径，并将这些运行的结果进行了平均化处理。最大代数 ( T ) 分别被选定为 50、40 和 40，分别对应六峰驼背函数、戈德斯坦-普赖斯函数和 Bohachevsky 函数 #1。

2.1 种群初始化

种群初始化是实验的第一步。我们使用均匀随机数生成器在对象变量的期望界限内生成初始种群。每个个体的参数值在期望范围内随机生成，并且适应度函数用于评估初始种群的个体。种群大小为 60 个个体，子种群数量为 10。

2.2 选择机制

选择机制是进化算法的核心部分之一。在 NES 算法中，我们采用了 ((\mu + \mu))-ES 选择技术。具体来说，算法从父代种群中选择最佳的 60 个个体作为下一代的父母。这种选择机制确保了种群中最佳个