2,443
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − + − + 第25行：
第25行： − + 第31行：
第31行： − + 第43行：
第43行： − + − + − + − − + 第57行：
第56行： − + − +
无编辑摘要
{{#seo:
{{#seo:
|keywords=演化算法,人工智能,,生物演化
|keywords=演化算法,人工智能,生物演化
|description=演化计算,基因表达，群体
|description=演化计算,基因表达，群体
}}
}}
在[[人工智能]]领域，演化算法（或称演化算法）是进化计算的子集<ref name="EVOALG">{{cite news|last=Vikhar|first=P. A.|title=Evolutionary algorithms: A critical review and its future prospects|doi=10.1109/ICGTSPICC.2016.7955308|journal=Proceedings of the 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC)|location= Jalgaon|year= 2016|pages=261-265|isbn=978-1-5090-0467-6}}</ref> ，是一种基于群体的元启发式最优化算法。演化算法使用到了各种模拟[[生物演化]]机制的操作，比如繁衍、变异、重组、选择等。在群体中每一个个体都是问题的备选解，而适应度函数用于计算出每一个解的质量（亦即个体对于环境的适应度）。演化就是在不断在群体中进行繁衍、变异、重组、选择这些操作进而找出最优解的过程。
在'''计算智能 computational intelligence''' 领域，演化算法（EA）（或称进化算法）是演化计算的子集<ref name="EVOALG">{{cite news|last=Vikhar|first=P. A.|title=Evolutionary algorithms: A critical review and its future prospects|doi=10.1109/ICGTSPICC.2016.7955308|journal=Proceedings of the 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC)|location= Jalgaon|year= 2016|pages=261-265|isbn=978-1-5090-0467-6}}</ref> ，是一种基于群体的元启发式最优化算法。演化算法使用到了各种模拟[[生物演化]]机制的操作，比如繁衍、变异、重组、选择等。在群体中每一个个体都是问题的备选解，而'''适应度函数 fitness function'''用于计算出每一个解的质量（亦即个体对于环境的适应度）。演化就是在不断在群体中进行繁衍、变异、重组、选择这些操作进而找出最优解的过程。
演化算法的具体技术可以按照遗传信息表达方式、实现细节、以及特定问题的特定处理分类。
演化算法的具体技术可以按照遗传信息表达方式、实现细节、以及特定问题的特定处理分类。
* 遗传算法：这是演化算法中最常用的类型。这种技术应用于求解最优解是一组数字的问题。
* [[遗传算法]] Genetic algorithm：这是演化算法中最常用的类型。这种技术应用于求解最优解是一组数字的问题。
* 遗传规划 Genetic programming ：这种技术用于生成一段计算机程序，其适应度是这些计算机程序解决某计算问题的能力。
* 遗传规划 Genetic programming ：这种技术用于生成一段计算机程序，其适应度是这些计算机程序解决某计算问题的能力。
* 演化规划 Evolutionary programming ：与遗传规划类似，但其求解的计算机程序的结构是固定的，可以演化的是一些数值参数。
* 演化规划 Evolutionary programming ：与遗传规划类似，但其求解的计算机程序的结构是固定的，可以演化的是一些数值参数。
* 演化策略 Evolution strategy ：这种技术以实数向量作为个体，而且使用了自适应的变异率。
* 演化策略 Evolution strategy ：这种技术以实数向量作为个体，而且使用了自适应的变异率。
* 差分演化 Differential evolution ：这种算法以向量的差为基础，因此特别适合数值最优化问题。
* 差分演化 Differential evolution ：这种算法以向量的差为基础，因此特别适合数值最优化问题。
* 神经演化：类似于遗传规划，但是基因组表示的是人工神经网络的结构和连接权重，这种基因组编码可以是直接编码也可以是间接编码。
* 神经演化 Neuroevolution：类似于遗传规划，但是基因组表示的是人工神经网络的结构和连接权重，这种基因组编码可以是直接编码也可以是间接编码。
* 学习分类器系统 Learning classifier system ：这种技术的解是一组分类器（一组规则画着条件）。密歇根-学习分类器系统在个体层面进行演化而匹兹堡-学习分类器系统使用分类器集合群体来演化。最开始的时候这些分类器都是0-1编码的，如今包含实数、神经网络、或者S-expression。其适应度一般是分类器系统应用于强化学习或有监督学习时的准确率。
* 学习分类器系统 Learning classifier system ：这种技术的解是一组分类器（一组规则画着条件）。密歇根-学习分类器系统在个体层面进行演化而匹兹堡-学习分类器系统使用分类器集合群体来演化。最开始的时候这些分类器都是0-1编码的，如今包含实数、神经网络、或者S-expression。其适应度一般是分类器系统应用于强化学习或有监督学习时的准确率。
群算法包括：
群算法包括：
* 蚁群优化：这种技术以蚂蚁觅食和通过信息素沟通寻路为基础，最早应用于组化优化和图相关问题。
* [[蚁群优化算法]]：这种技术以蚂蚁觅食和通过信息素沟通寻路为基础，最早应用于组化优化和图相关问题。
* 茎根算法（runner-root algorithm）：一种受自然中植物的茎和根的功能启发的算法。<ref>F. Merrikh-Bayat, "The runner-root algorithm: A metaheuristic for solving unimodal and multimodal optimization problems inspired by runners and roots of plants in nature", ''Applied Soft Computing'', Vol. 33, pp. 292–303, 2015</ref>
* 茎根算法（runner-root algorithm）：一种受自然中植物的茎和根的功能启发的算法。<ref>F. Merrikh-Bayat, "The runner-root algorithm: A metaheuristic for solving unimodal and multimodal optimization problems inspired by runners and roots of plants in nature", ''Applied Soft Computing'', Vol. 33, pp. 292–303, 2015</ref>
* 人工蜂群算法 Artificial bee colony algorithm：根据蜜蜂觅食行为设计，最初为数值优化提出，后来扩展至解决组合、受约束的多目标最优化问题。
* 人工蜂群算法：根据蜜蜂觅食行为设计，最初为数值优化提出，后来扩展至解决组合、受约束的多目标最优化问题。
* 布谷鸟搜索 Cuckoo search：根据布谷鸟巢寄生的行为提出，同时使用了 Lévy flights 机制，因此适用于全局最优化问题。
* 布谷鸟搜索：根据布谷鸟巢寄生的行为提出，同时使用了 Lévy flights 机制，因此适用于全局最优化问题。
* 电子优化算法：这种技术背后的思想是电子流经电路时根据最小电阻原则分流的原理。<ref>{{Cite journal|last=Khalafallah Ahmed|last2=Abdel-Raheem Mohamed|date=2011-05-01|title=Electimize: New Evolutionary Algorithm for Optimization with Application in Construction Engineering|journal=Journal of Computing in Civil Engineering|volume=25|issue=3|pages=192–201|doi=10.1061/(ASCE)CP.1943-5487.0000080}}</ref>
* 电子优化算法：这种技术背后的思想是电子流经电路时根据最小电阻原则分流的原理。<ref>{{Cite journal|last=Khalafallah Ahmed|last2=Abdel-Raheem Mohamed|date=2011-05-01|title=Electimize: New Evolutionary Algorithm for Optimization with Application in Construction Engineering|journal=Journal of Computing in Civil Engineering|volume=25|issue=3|pages=192–201|doi=10.1061/(ASCE)CP.1943-5487.0000080}}</ref>
* 粒子群算法：是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，最适合用于解决数值优化问题。
* [[粒子群算法]]：是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，最适合用于解决数值优化问题。
* 狩猎搜索 Hunting Search ：根据自然中地狩猎行为提出，一群捕食者，如狼群，组织他们的位置来包围猎物。捕食者中每一个个体的位置会根据其他个体，尤其是领袖的位置调整。这是一个连续型优化方法<ref>{{cite journal |last1=Oftadeh |first1=R. |last2=Mahjoob |first2=M.J. |last3=Shariatpanahi |first3=M. |title=A novel meta-heuristic optimization algorithm inspired by group hunting of animals: Hunting search |journal=Computers & Mathematics with Applications |date=October 2010 |volume=60 |issue=7 |pages=2087–2098 |doi=10.1016/j.camwa.2010.07.049 }}</ref>，后改进为组合优化方法<ref>{{cite journal |author1=Amine Agharghor |author2=Mohammed Essaid Riffi |year=2017 |title=First Adaptation of Hunting Search Algorithm for the Quadratic Assignment Problem |journal=Europe and MENA Cooperation Advances in Information and Communication Technologies |volume=520 |pages=263–267 |doi=10.1007/978-3-319-46568-5_27 |isbn=978-3-319-46567-8|series=Advances in Intelligent Systems and Computing }}</ref>。
* 狩猎搜索 Hunting Search ：根据自然中地狩猎行为提出，一群捕食者，如狼群，组织他们的位置来包围猎物。捕食者中每一个个体的位置会根据其他个体，尤其是领袖的位置调整。这是一个连续型优化方法<ref>{{cite journal |last1=Oftadeh |first1=R. |last2=Mahjoob |first2=M.J. |last3=Shariatpanahi |first3=M. |title=A novel meta-heuristic optimization algorithm inspired by group hunting of animals: Hunting search |journal=Computers & Mathematics with Applications |date=October 2010 |volume=60 |issue=7 |pages=2087–2098 |doi=10.1016/j.camwa.2010.07.049 }}</ref>，后改进为组合优化方法<ref>{{cite journal |author1=Amine Agharghor |author2=Mohammed Essaid Riffi |year=2017 |title=First Adaptation of Hunting Search Algorithm for the Quadratic Assignment Problem |journal=Europe and MENA Cooperation Advances in Information and Communication Technologies |volume=520 |pages=263–267 |doi=10.1007/978-3-319-46568-5_27 |isbn=978-3-319-46567-8|series=Advances in Intelligent Systems and Computing }}</ref>。
* 适应性维度搜索 Adaptive dimensional search ：不同于仿生元启发式技术，适应性维度搜索没有模仿任何大自然中的现象。它使用简单的性能导向方法，每一次迭代过程都会更新搜索维度率 search dimension ratio 。<ref>Hasançebi, O., Kazemzadeh Azad, S. (2015), "Adaptive Dimensional Search: A New Metaheuristic Algorithm for Discrete Truss Sizing Optimization", ''Computers and Structures'', 154, 1–16.</ref>。
* 适应性维度搜索 Adaptive dimensional search ：不同于仿生元启发式技术，适应性维度搜索没有模仿任何大自然中的现象。它使用简单的性能导向方法，每一次迭代过程都会更新搜索维度率 search dimension ratio 。<ref>Hasançebi, O., Kazemzadeh Azad, S. (2015), "Adaptive Dimensional Search: A New Metaheuristic Algorithm for Discrete Truss Sizing Optimization", ''Computers and Structures'', 154, 1–16.</ref>。
* 萤火虫算法：通过模仿萤火虫发光互相吸引的行为设计，特别适用于多峰函数的最优化求解。
* 萤火虫算法 Firefly algorithm：通过模仿萤火虫发光互相吸引的行为设计，特别适用于多峰函数的最优化求解。
* 和弦搜索 Harmony search ：基于音乐家探索更好的和弦的因为提出，适用于组合优化和参数优化。
* 和弦搜索 Harmony search ：基于音乐家探索更好的和弦的因为提出，适用于组合优化和参数优化。
* 高斯适应 Gaussian adaptation ：一种基于信息论的方法， 用于最大化成品率、平均适应度、平均信息量等。参考热力学和信息论中的熵
* 高斯适应 Gaussian adaptation ：一种基于信息论的方法， 用于最大化成品率、平均适应度、平均信息量等。参考热力学和信息论中的熵
* 模因算法：这是一种混合方法，根据理查德·道金斯的模因概念提出。这通常在基于群体的算法中，给每一个个体加入学习行为使得他们可以进行局部优化。这种方法强调利用每个问题自身的特性，并调和局部和全局搜索。
* 模因算法 Memetic algorithm：这是一种混合方法，根据理查德·道金斯的'''模因 meme'''概念提出。这通常在基于群体的算法中，给每一个个体加入学习行为使得他们可以进行局部优化。这种方法强调利用每个问题自身的特性，并调和局部和全局搜索。
* 帝企鹅群：一种受帝企鹅群的行为启发的方法。在群体中的帝企鹅会产生适应的热量并调整自身的体温，这种热量只受每只企鹅的移动来调整和控制。<ref>{{cite journal |last1=Harifi |first1=Sasan |last2=Khalilian |first2=Madjid |last3=Mohammadzadeh |first3=Javad |last4=Ebrahimnejad |first4=Sadoullah |title=Emperor Penguins Colony: a new metaheuristic algorithm for optimization |journal=Evolutionary Intelligence |date=25 February 2019 |volume=12 |issue=2 |pages=211–226 |doi=10.1007/s12065-019-00212-x }}</ref>
* 帝企鹅群：一种受帝企鹅群的行为启发的方法。在群体中的帝企鹅会产生适应的热量并调整自身的体温，这种热量只受每只企鹅的移动来调整和控制。<ref>{{cite journal |last1=Harifi |first1=Sasan |last2=Khalilian |first2=Madjid |last3=Mohammadzadeh |first3=Javad |last4=Ebrahimnejad |first4=Sadoullah |title=Emperor Penguins Colony: a new metaheuristic algorithm for optimization |journal=Evolutionary Intelligence |date=25 February 2019 |volume=12 |issue=2 |pages=211–226 |doi=10.1007/s12065-019-00212-x }}</ref>