10.1人与自然

• Evolutionary Algorithms(进化计算)

  

  • 由自然界获得灵感
• Overview

  

  • 初始种群
  • 适应度计算
  • 变异
  • 复制
• 进化论

  

  • 非强者生存而是适者生存
• 孟德尔

  

• Learning from Nature

  

  • 从自然中获得灵感而不是简单得拷贝、克隆
• Motivation of EAs(学习进化计算的意义)

  

  • 优化计算（在尽可能短的时间内完成定量的任务；在投资一定的条件下获得最高的收益等等）
  • 模拟自然界的进化
• Key Concepts(关键概念)

  

  • 好处
    • Population-based：人多力量大
    • parallel：并行的，不容易陷入局部最优点
    • bionics：非常好的仿生学的例子（把从自然中学到的东西在计算机上实现）
    • the fittest：适者生存
    • Chromsome：染色体
    • Crossover：杂交
    • Mutation：变异
    • Metaheuristics：共通启发式演算法（heuristics启发法）
    • Bio-/Nature Inspired：自然界启发来的
  • stochastic：随机的、猜测的
  • inherently：内在地，固有地
• The Big Picture

  

  • 提出问题（Problem）
  • 问题转化为机器能够执行的内容（Coding）
  • （利用领域知识Domain Knowledge）定义目标函数，例如时间、花销、距离等等（Objective Function）
  • Evolutionary Search
    • Evaluate：评价现有方案路线的好坏
    • Select：挑选相对好的
    • Crossover：杂交
    • Mutate：变异
  • 希望生成更好的
• EA Family

  

  • Genetic Algorithm：遗传算法
  • Evolution Strategies：进化策略
  • Estimation of Distribution Algorithm：分布估计算法
  • particle swarm optimization：粒子群优化
  • Ant Colony Optimization：蚁群优化算法
  • Differential Evolution：差分进化
• 例子
  • 蚁群

    

    • 由于信息素随时间逐渐消散的缘故，蚂蚁运动路径会逐渐收敛到最短路径（不是绝对，而是概率）
  • 鸟群

    

    • 使用粒子群算法，可以模拟鸟群、鱼群等的运动轨迹
    • 每个粒子下一时刻的位置取决于
      • 整个群体最好的位置；
      • 当前粒子曾经看到过的最好的位置
      • 粒子当前的位置