更改

无编辑摘要
第4行: 第4行:  
}}
 
}}
   −
  --[[用户:Qige96|Ricky]]([[用户讨论:Qige96|讨论]])由于翻译和审校自身专业知识限制,本篇可能会包含翻译和理解上的错误,持续跟进中。
      
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。
 
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。
      −
演化算法通常会对各种优化问题得出很好的近似解,因为演化算法不会做出任何假设,对每一个问题都一视同仁。演化算法通常应用于求解最优化问题,在生物建模方面一般来说只会用在基于细胞过程的微观演化过程和规划模型研究中。在大多数演化算法的应用中,计算复杂度都是最大的障碍<ref name="VLSI">{{cite book|last=Cohoon|first=J|display-authors=etal|title=Evolutionary algorithms for the physical design of VLSI circuits|url= https://www.ifte.de/mitarbeiter/lienig/cohoon.pdf|journal=Advances in Evolutionary Computing: Theory and Applications|publisher= Springer, pp. 683-712, 2003|isbn=978-3-540-43330-9|date=2002-11-26}}</ref>。事实上,这种计算复杂度来源于[[适应度函数]]。'''<font color="#ff8000">适应度近似法 fitness approximation</font>'''是克服这一障碍的方法之一。但看似简单的演化算法经常能够解决复杂的问题,因此,算法的复杂度应该与问题的复杂度没有直接关系。
+
演化算法通常会对各种优化问题得出很好的近似解,因为演化算法不会做出任何假设,对每一个问题都一视同仁。演化算法通常应用于求解最优化问题,在生物建模方面一般来说只会用在基于细胞过程的微观演化过程和规划模型研究中。在大多数演化算法的应用中,计算复杂度都是最大的障碍<ref name="VLSI">{{cite book|last=Cohoon|first=J|display-authors=etal|title=Evolutionary algorithms for the physical design of VLSI circuits|url= https://www.ifte.de/mitarbeiter/lienig/cohoon.pdf|journal=Advances in Evolutionary Computing: Theory and Applications|publisher= Springer, pp. 683-712, 2003|isbn=978-3-540-43330-9|date=2002-11-26}}</ref>。事实上,这种计算复杂度来源于[[适应度函数]]。'''适应度近似法 fitness approximation'''是克服这一障碍的方法之一。但看似简单的演化算法经常能够解决复杂的问题,因此,算法的复杂度应该与问题的复杂度没有直接关系。