1. 文化進(jìn)化理論

　　威爾遜認(rèn)為，從性質(zhì)上來(lái)講，文化進(jìn)化總是以拉馬克主義為特征的，即文化進(jìn)化依賴于獲得性狀的傳遞，相對(duì)來(lái)說(shuō)速度比較快；而基因進(jìn)化是達(dá)爾文主義式的，依賴于經(jīng)過(guò)幾個(gè)世代的基因頻率的改變，因而是緩慢的。威爾遜將可供選擇的行為劃分為分離的單位，稱以文化基因。文化基因的傳遞可以是純粹遺傳的，也可以是純文化的，此外，還可以通過(guò)基因──文化的方式傳遞，它同時(shí)兼有兩者的某些特點(diǎn)：一方面，文化的發(fā)展在某種程度上要受到基因的制約和指導(dǎo)；另一方面，文化發(fā)明的壓力又影響著基因的生存，且最終改變著遺傳紐帶的強(qiáng)度和韌力。人類的文化基因就是以這種方式傳遞的。（注：拉馬克主義 Lamarckism 生物進(jìn)化學(xué)說(shuō)之一，為法國(guó)博物學(xué)家拉馬克所創(chuàng)立。 認(rèn)為生物在新環(huán)境的直接影響下，習(xí)性改變，某些經(jīng)常使用的器官發(fā)達(dá)增大，不經(jīng)常使用的器官則逐漸退化（用進(jìn)廢退），并認(rèn)為這樣獲得的后天性狀可傳給后代，使生物逐漸演變，且認(rèn)為適應(yīng)是生物進(jìn)化的主要過(guò)程。）

2.文化基因算法的思想

?

Pablo Moscato認(rèn)為,在遺傳算法（GA）中,變異操作可以看作是含有一定噪聲的爬山搜索,實(shí)際上模擬遺傳編碼和自然選擇的過(guò)程不應(yīng)包含變異操作,因?yàn)樵谖幕M(jìn)化的過(guò)程中,在眾多的隨機(jī)變化步驟中得到一個(gè)正確的可提高整體性能的一步進(jìn)展是非常困難的,只有此領(lǐng)域的擁有足夠的專業(yè)知識(shí)的精通者們,才有可能創(chuàng)造新的進(jìn)展,但是這樣的事情發(fā)生的頻率是很低的。 因此,文化基因的傳播過(guò)程應(yīng)是嚴(yán)格復(fù)制的,若要發(fā)生變異,那么每一步的變異都需要有大量的專業(yè)知識(shí)支撐,而所有的變異都應(yīng)帶來(lái)進(jìn)展而不是混亂,這就是為什么我們觀察到的文化進(jìn)化速度要比生物進(jìn)化速度快得多的原因。 對(duì)應(yīng)于模擬生物進(jìn)化過(guò)程的遺傳算法,Moscato提出了模擬文化進(jìn)化過(guò)程的文化基因算法,文化基因算法用局部啟發(fā)式搜索來(lái)模擬由大量專業(yè)知識(shí)支撐的變異過(guò)程,因此說(shuō),文化基因算法是一種基于種群的全局搜索和基于個(gè)體的局部啟發(fā)式搜索的結(jié)合體。

?

文化基因算法的這種全局搜索和局部搜索的結(jié)合機(jī)制使其搜索效率在某些問(wèn)題領(lǐng)域比傳統(tǒng)遺傳算法快幾個(gè)數(shù)量級(jí),可應(yīng)用于廣泛的問(wèn)題領(lǐng)域并得到滿意的結(jié)果。 很多人將文化基因算法看作混合遺傳算法、 遺傳局部搜索或是拉馬克式進(jìn)化算法,實(shí)際上,文化基因算法提出的是一種框架、 是一個(gè)概念,在這個(gè)框架下,采用不同的搜索策略可以構(gòu)成不同的文化基因算法,如全局搜索策略可以采用遺傳算法、 進(jìn)化策略、 進(jìn)化規(guī)劃等,局部搜索策略可以采用爬山搜索、模擬退火、貪婪算法、禁忌搜索、導(dǎo)引式局部搜索等。

?

在遺傳算法中,我們通常對(duì)個(gè)體（Individual） 進(jìn)行選擇、 交叉、 變異操作,通過(guò)對(duì)一代一代個(gè)體的適應(yīng)性進(jìn)化得到問(wèn)題的最優(yōu)解。 在文化基因算法中,用了智能體 （agent,實(shí)際上agent在此譯為“代表”更加恰當(dāng)）的概念,遺傳操作的對(duì)象并不是種群空間中的普通個(gè)體,而是各局部區(qū)域推選出的優(yōu)秀代表,遺傳操作的結(jié)果是選出那些適應(yīng)性強(qiáng)的優(yōu)秀代表,同時(shí)也產(chǎn)生一些交叉作用后新的個(gè)體,這些新個(gè)體可能屬于一些新的區(qū)域,在下一代的局部搜索中它們會(huì)被附近的優(yōu)秀個(gè)體取代,然后再進(jìn)行進(jìn)一步的全局進(jìn)化。 這種局部與全局的混合搜索機(jī)制顯然要比單純?cè)谄胀▊€(gè)體間搜索的進(jìn)化效率高得多。

3.文化基因算法的實(shí)現(xiàn)

　　Pablo Moscato提出了一種基于競(jìng)爭(zhēng)式作為文化基因算法的一個(gè)例子：對(duì)于一個(gè)給定的優(yōu)化問(wèn)題，可以先確定一定數(shù)量的初始個(gè)體，這些個(gè)體的狀態(tài)可以是隨機(jī)的，也可以根據(jù)某個(gè)啟發(fā)式機(jī)制來(lái)確定，隨后對(duì)每個(gè)個(gè)體都進(jìn)行局部搜索，通過(guò)局部搜索提高個(gè)體適應(yīng)度使種群達(dá)到一定的預(yù)備狀后，就可以進(jìn)行個(gè)體與個(gè)體之間的相互操作，這種相互作用可以是相互競(jìng)爭(zhēng)，也可以是相互協(xié)作。相互競(jìng)爭(zhēng)的操作類似于遺傳算法中的個(gè)體選擇過(guò)程，相互協(xié)作行為可以理解為遺傳算法中的交叉機(jī)制或者其他產(chǎn)生新個(gè)體的方法，也可以更概括性的理解為信息的交換過(guò)程。局部搜索、競(jìng)爭(zhēng)、協(xié)作操作都是循環(huán)進(jìn)行的，知道滿足終止條件。

?

?

參考文獻(xiàn)：?劉漫丹。文化基因算法(Memetic Algorithm)研究進(jìn)展[J]. 控制理論與應(yīng)用。《自動(dòng)化技術(shù)與應(yīng)用》2007 年第 26 卷 第 11 期

?

?

轉(zhuǎn)載于:https://www.cnblogs.com/tiny-player/p/3360330.html

總結(jié)

以上是生活随笔為你收集整理的Memetic Algorithm(文化基因算法)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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