65、广义进化算法：原理、应用与发展

广义进化算法：原理、应用与发展

引言

进化算法（EAs）受自然系统启发，是解决搜索和优化问题的有力工具。不同的进化算法模型在解决问题时表现各异，理解如何调整算法的偏差以适应特定问题类别至关重要。本文将深入探讨进化算法的各个方面，包括内部表示、选择机制、种群规模、适应度景观、应用领域以及更复杂的进化算法模型。

进化算法的关键要素

内部表示

问题解决方案的内部表示主要分为两类：基因型表示和表现型表示。
- 基因型表示 ：类似于生物遗传密码，将问题解决方案编码为通用字母表组成的字符串，如传统遗传算法（GAs）中的二进制字符串。这种表示方式使繁殖算子能操作通用编码，提高了代码的可移植性，应用于新问题时只需编写编码/解码程序。
- 表现型表示 ：直接表示问题解决方案，无需中间编码，如进化策略（ESs）中的参数向量。繁殖算子直接操作解决方案，可引入特定问题的偏差，但需要重新设计和实现繁殖算子。

以旅行商问题为例，GA从业者会专注于设计排列空间与二进制字符串之间的映射，而ES从业者会更换适合排列空间的变异算子。

繁殖算子

繁殖算子的关键特性是利用现有解决方案创造新的有趣解决方案，可通过无性繁殖和有性繁殖两种方式实现。
- 无性繁殖 ：克隆单个父代并应用变异算子引入变异，常用于传统ES和进化规划（EP）方法。它更倾向于局部搜索，关键在于动态控制父代与子代之间的预期距离，以适应适应度景观的特性。
- 有性繁殖 ：结合多