一种基于局部适应度景观的进化规划的混合策略

标题

A Mixed Strategy for Evolutionary Programming Based on Local Fitness Landscape

摘要

进化规划（EP）的性能受到许多因素的影响（如突变操作符和选择策略）。虽然传统的高斯突变算子方法可能是有效的，但整个总体的初始规模可以非常大。这可能会导致传统的EP需要太长的时间才能达到收敛。为了解决这个问题，EP已经以各种方式进行了修改。特别是，对突变算子的修改可以显著提高EP的性能。然而，操作员只有在特定的适应度环境中才有效。因此，为了结合不同运营商的优点，提出了混合策略。混合策略的设计目前是基于应用单个操作人员的性能。与当地适应度景观的信息直接相关。本文提出了一种改进的自动适应局部混合策略，并实现了针对给定典型适应度景观选择最优混合策略的训练程序。该算法在一套23个基准函数上进行了验证。

结论

研究背景

进化规划（EP）是一个分支，与其他著名的研究领域，如遗传算法和进化策略，进化计算起源于自然生物进化[1]。EP以人口为基础进行运作。目标不仅是对当前人口找到适当的调整，从而找到解决方案，而且是有效地执行过程。然而，在ep运行开始时是最优的参数设置在进化过程中可能会变得不合适。因此，希望在EP运行期间自动修改控制参数。控制参数可以有各种形式，从突变率、重组概率、种群大小到选择操作符。因此，我们引入了自适应技术来实现这种参数控制。该方法偏向于搜索空间的适当方向的分布，从而保持个体之间足够的多样性，以实现进一步的进化能力。

突变操作子作为EP的关键因素，在研究中引起了广泛的关注。原始的突变算子通常是高斯分布的，当应用于多模态函数时，通常缺乏鲁棒性。快速进化规划（FEP）中的一个高斯突变的取代基正如在[3]中所报道的，对于许多多变量函数需要更好的性能。然而，它对一些单峰函数的效率较低。通过利用基于L‘evy概率分布的突变进一步推广FEP，可以进一步改进。

研究内容、成果

常用基础理论知识

潜在研究点

文献链接