标签：基因型 进化 PPT1 父母 选择 表型 哈工大 精译 适应度
演化计算
一、主要的进化计算比喻
健康：生存和繁殖的机会
质量：播种新解决方案的机会
二、达尔文进化论
达尔文进化论1：
适者生存
• 所有环境的资源都是有限的（即，只能支持有限数量的个人）
• 生命形式具有面向繁殖的基本本能/生命周期
• 因此某种选择是不可避免的
• 那些最有效地争夺资源的个体有更高的繁殖机会
• 注意：自然进化中的适应度是衍生的、次要的衡量标准，即我们（人类）为有许多后代的个体分配高适应度 (?)
达尔文进化论2：
多元化推动变革
表型特征：
– 影响对环境的反应的行为/身体差异
– 部分由继承决定，部分由开发过程中的因素决定
– 每个人都是独一无二的，部分原因是随机变化
• “合适的”表型特征：
– 导致更高的繁殖机会
– 可以继承
那么它们将在后代中趋于增加，
• 导致新的特征组合……
达尔文进化论：
概括
• 人口由多样化的个体组成
• 更好地适应的特征组合往往会增加在人口中的代表性
个人是“选择单位”
• 变异通过随机变化发生，产生恒定的多样性来源，再加上选择意味着：
人口是“进化的单位”
• 注意没有“引导力”
适应性景观隐喻（续）
• 选择“推动”人口上升
• 基因漂移：
• 特征分布的随机变化
(+ 或 -) 由抽样误差引起
• 可能导致人口“融化”山丘，从而穿越山谷并留下局部最优
三、演化计算的动机
大自然一直是工程师和科学家的灵感来源
• 自然界中已知的最佳问题解决者是：
– 创造了“车轮、纽约、战争等等”的（人类）大脑（根据道格拉斯·亚当斯的《搭便车指南》）
– 创造人类大脑的进化机制（在达尔文的物种起源之后）
• 答案 1：神经计算
• 答案2：进化计算
• 开发、分析、应用解决问题的方法，也就是
算法是数学和计算机科学的中心主题
• 彻底分析问题的时间减少
• 待解决问题的复杂性增加
• 结果：需要强大的问题解决技术
四、问题类型
问题类型 1：优化
我们有一个系统模型，并寻找给我们指定目标的输入
例如
– 大学、呼叫中心或医院的时间表
– 设计规范等
问题类型 2：建模
我们有相应的输入和输出集，并寻找模型，为每个已知输入提供正确的输出
例如：进化机器学习
问题类型 3：模拟
我们有一个给定的模型，并希望知道在不同输入条件下产生的输出
通常用于在不断变化的动态环境中回答“假设”问题，例如 进化经济学，人工生命
四、进化算法：
概述
• 进化隐喻回顾
• EA 的基本方案
• 基本组件：
– 代表/评估/人口/父母选择/
重组/突变/幸存者选择/终止
• 示例：八个皇后
4.1 回顾演化计算比喻
一群个体存在于资源有限的环境中
• 对这些资源的竞争导致选择更适应环境的更健康的个体
• 这些个体充当通过重组和突变产生新个体的种子
• 新个体的健康评估和竞争（可能也与父母）生存。
• 随着时间的推移，自然选择会提高种群的适应度
进化算法属于“生成和测试”算法类别
• 它们是随机的、基于人口的算法
• 变异算子（重组和变异）创造了必要的多样性，从而促进了新颖性
• 选择减少了多样性并成为推动质量的力量
4.2 进化算法的一般方案
典型 EA 的伪代码
什么是不同类型的 EA
• 历史上不同风格的 EA 与不同的表示法相关联
– 二进制字符串：遗传算法
– 实值向量：进化策略
– 有限状态机：进化编程
– LISP 树：遗传编程
• 这些差异在很大程度上是无关紧要的，最好的策略
– 选择适合问题的表示
– 选择变异算子以适应表示
• 选择算子只使用适应度，因此与表示无关
4.3 基本组件
表示、代表：
• 候选解决方案（个体）存在于表现型空间中
• 它们在染色体中编码，染色体存在于基因型空间中
– 编码：表型 => 基因型（不一定是一对一）
– 解码：基因型 => 表型（必须是一对一的）
• 染色体包含基因，这些基因位于（通常固定的）称为基因座（sing. locus）的位置并具有值（等位基因）
为了找到全局最优解，每个可行解都必须在基因型空间中表示
评价（适应度）函数
• 代表人口应适应的要求
• 又名质量函数或目标函数
• 为形成选择基础的每个表型分配单个实值适合度
– 所以歧视越多（不同的值）越好
• 通常我们会谈论适应度（健康？）最大化
– 一些问题最好作为最小化问题提出，但转换是微不足道的
人口、群体、总体
• 持有（表示）可能的解决方案
• 通常具有固定大小，并且是多组基因型
• 一些复杂的 EA 还断言人口的空间结构，例如网格。
• 选择算子通常考虑整个种群，即繁殖概率与当前世代相关
• 种群的多样性是指存在的不同适应度/表型/基因型的数量（注意不是同一件事）
父母选择机制
• 根据个体的健康状况分配充当父母的个体的可变概率
• 通常是概率性的
– 高质量的解决方案比低质量的解决方案更有可能成为父母
– 但不能保证
– 即使在当前人口中最糟糕的通常也有非零概率成为父母
• 这种随机性有助于摆脱局部最优
变异算子
• 作用是生成新的候选解决方案
• 通常根据它们的数量（输入的数量）分为两种类型：
– Arity 1：变异算子
– Arity >1 : 重组算子
– Arity = 2 通常称为交叉
• 关于重组和突变的相对重要性存在很多争论
– 现在大多数 EA 都同时使用
– 特定变异算子的选择取决于表示
突变
• 作用于一种基因型并提供另一种基因型
• 随机元素是必不可少的，并将其与其他一元启发式运算符区分开来
• 赋予的重要性取决于代表性和方言：
– Binary GAs – 负责保持和引入多样性的后台操作员
– FSM/连续变量的 EP – 仅搜索运算符
– GP – 很少使用
• 可以保证搜索空间的连通性，从而保证收敛性证明
重组/交叉
• 将来自父母的信息合并到后代中
• 选择要合并的信息是随机的
• 大多数后代可能更糟，或与父母相同
• 希望通过结合可产生良好性状的基因型元素，有些效果会更好
• 该原理已被植物和牲畜育种者使用了数千年
幸存者选择
• 又名替代品
• 大多数 EA 使用固定的人口规模，因此需要一种从（父母 + 后代）到下一代的方式
• 通常是确定性的
– 基于健身：例如，对父母+后代进行排名并取得最佳成绩
— 基于年龄：产生与父母一样多的后代并删除所有父母
• 有时进行组合（精英主义）
初始化/终止
初始化通常是随机完成的
– 需要确保可能的等位基因值的均匀分布和混合
– 可以包括现有的解决方案，或使用特定问题的启发式方法来“播种”群体
每一代都检查终止条件
– 达到一些（已知/希望）健身
– 达到允许的最大代数
– 达到某种最低程度的多样性
– 在没有适应度改进的情况下达到某些指定的代数
4.4 八皇后问题
将 8 个皇后放在一个 8x8 的棋盘上，使它们不能相互检查
8皇后问题：表象、代表
表型：主板配置
基因型：数字 1 - 8 的排列
8皇后问题：健康评估
•处罚一名王后：
她能查到的皇后数量。
•配置惩罚：
所有皇后的惩罚之和。
•注：应尽量减少处罚
•配置的适用性：
反向惩罚最大化
8皇后问题：重组
将两个排列组合成两个新排列：
•选择随机交叉点
•将第一部分复制到子部分
•通过插入来自其他父级的值来创建第二部分：
•按照它们出现的顺序
•交叉点后开始
•跳过子级中已有的值
八皇后问题：选择
父母选择
–选择5个父母，选择最好的两个进行交叉
幸存者选择（替换）
–在将新子女插入人口时，请选择要替换的现有成员：
–通过降低适合度对整个人群进行分类
–从高到低枚举此列表
–取代人口中最差的人
注：这只是一组可能的运算符和参数选择
8皇后问题：示例解
表型：电路板配置
<–> 明显的映射
基因型：数字1 - 8的排列
标签：基因型,进化,PPT1,父母,选择,表型,哈工大,精译,适应度 来源： https://blog.csdn.net/m0_50906780/article/details/118877501
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。