遺傳算法介紹

• • 1.遺傳算法的起源和發(fā)展歷程
  • 2.遺傳算法優(yōu)缺點及適用場景
  • 3.其他優(yōu)化算法
  • 4.遺傳算法術(shù)語
  • 5.遺傳算法流程
  • 6. 參考文獻(xiàn)

1.遺傳算法的起源和發(fā)展歷程

萌芽期：上個世紀(jì)50年代到70年代，提出GA等概念
成長期：上個世紀(jì)70年代中到80年代，用于優(yōu)化問題
發(fā)展期：90年代以后，開始向廣度和深度方向發(fā)展
2017年 Uber 發(fā)表5篇論文表明神經(jīng)進(jìn)化（neuroevolution）也是訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)解決強化學(xué)習(xí)（RL）問題的有效方法。
2019年 Google 在星際爭霸 II 上使用AlphaStar打敗人類選手，其中使用了進(jìn)化學(xué)習(xí)策略。

2.遺傳算法優(yōu)缺點及適用場景

優(yōu)點：

適應(yīng)性廣，可解決大部分的凸優(yōu)化問題，不可導(dǎo)問題依然可用。

并行度高，可以進(jìn)行多個個體的同時比較。

全局最優(yōu)解，搜索能力強，可擴展性好…
缺點：
1.參數(shù)多，調(diào)參主要靠經(jīng)驗。
2.計算量大，收斂速度慢，搜索時間長…

3.其他優(yōu)化算法

離散優(yōu)化算法：

隨機搜索算法：爬山搜索算法，模擬退火算法(Simulated Annealing、SA)，局部搜索、禁忌搜索、蟻群算法、人工免疫系統(tǒng)（AIS）算法、人工免疫系統(tǒng)（AIS）、粒子群優(yōu)化（PSO ）、引力搜索算法（ GSA ）、蟻群聚類方法（ ACCM中） 、隨機傳播搜索（ SDS ）
連續(xù)優(yōu)化算法（基于梯度的優(yōu)化算法）：最速下降法，牛頓法、擬牛頓法、SGD，Momentum，Adam等

4.遺傳算法術(shù)語

種群：可行解集
個體：可行解
染色體：可行解的編碼
基因：可行解編碼的分量
適應(yīng)度：目標(biāo)函數(shù)值
選擇：選擇操作
交叉：編碼的交叉操作
變異：可行解編碼的變異

5.遺傳算法流程

6. 參考文獻(xiàn)

UBer 論文 https://eng.uber.com/deep-neuroevolution/
Google論文 https://www.nature.com/articles/s41586-019-1724-z
GACNN https://arxiv.org/pdf/1909.13354.pdf
https://zhuanlan.zhihu.com/p/92543229
https://zhuanlan.zhihu.com/p/61246506
https://blog.csdn.net/Uwr44UOuQcNsUQb60zk2/article/details/78877975

總結(jié)

以上是生活随笔為你收集整理的遗传算法 - 简单介绍的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。