遗传算法 - 简单介绍

1.遗传算法的起源和发展历程

萌芽期：上个世纪50年代到70年代，提出GA等概念
成长期：上个世纪70年代中到80年代，用于优化问题
发展期：90年代以后，开始向广度和深度方向发展
2017年 Uber 发表5篇论文表明神经进化（neuroevolution）也是训练深度神经网络解决强化学习（RL）问题的有效方法。
2019年 Google 在星际争霸 II 上使用AlphaStar打败人类选手，其中使用了进化学习策略。

2.遗传算法优缺点及适用场景

优点：

1. 适应性广，可解决大部分的凸优化问题，不可导问题依然可用。
2. 并行度高，可以进行多个个体的同时比较。
3. 全局最优解，搜索能力强，可扩展性好…
   缺点：
   1.参数多，调参主要靠经验。
   2.计算量大，收敛速度慢，搜索时间长…

3.其他优化算法

离散优化算法：

1. 随机搜索算法：爬山搜索算法，模拟退火算法(Simulated Annealing、SA)，局部搜索、禁忌搜索、蚁群算法、人工免疫系统（AIS）算法、人工免疫系统（AIS）、粒子群优化（PSO ）、引力搜索算法（ GSA ）、蚁群聚类方法（ ACCM中） 、随机传播搜索（ SDS ）
   连续优化算法（基于梯度的优化算法）：最速下降法，牛顿法、拟牛顿法、SGD，Momentum，Adam等

4.遗传算法术语

种群：可行解集
个体：可行解
染色体：可行解的编码
基因：可行解编码的分量
适应度：目标函数值
选择：选择操作
交叉：编码的交叉操作
变异：可行解编码的变异

5.遗传算法流程

6. 参考文献

UBer 论文 https://eng.uber.com/deep-neuroevolution/
Google论文 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