|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
& v/ s! _5 K( Y$ v, a' c/ h8 E协方差矩阵自适应演化策略学习机制综述 # ^! N* X1 ~. X7 `: \
9 X. F+ _' S/ r3 F
) l) H: \2 x0 d9 Q0 f8 e6 k! {2 ~摘要:基于协方差矩阵自适应(CMA)的演化策略算法(ES)是一种优秀的、不依赖于梯度信息的随机局部优化算法.基于CMA的学习机制使其对搜索空间的任意可逆线性变换具有不变性,对于病态的、高度不可分的问题有优秀的求解能力.CMA学习机制具有较强的数学理论基础,这对设计其他演化算法有很好的借鉴意义.本文旨在详细分析CMA-ES的各种学习机制,并给出其所依赖的主要理论基础.最后通过实验比较CMA-ES各种变体的优势与不足，并着重比较本文改进的CMA-ES变体与其它变体在性能上的差异.' n; C, q* ~1 T0 E( p
关键词:演化策略;协方差矩阵自适应;自适应学习;多元正态分布
" G- a7 c7 y+ z, \, @
' V" A& h& S, X5 X9 x& J
9 f! c, S6 C& @. T- v, X# _# ~1引言+ L7 z* f" t6 u+ i; Z/ P
演化策略"属于一种随机搜索算法,主要用于解决现实世界中一些传统优化算法难于处理的优化问题,例如不连续,不可微,高维度等.它通过对已找到的优秀的搜索点增加一个随机向量来改变搜索的步长和方向,这个步骤通常称之为变异.在优化过程中适当地利用这些变异更新协方差矩阵信息,允许搜索分布学习和使用一个可变尺度的协方差矩阵.变异对于演化策略来说非常重要,因为它主要通过随机变异来改变搜索点的位置,而不像差分演化算法[23]和粒子群优化[5算法通过个体间的差分向量或向优秀个体学习的机制来改变搜索点位置.变异操作是驱动演化策略算法最重要的动力来源.: @4 s2 ]# N8 o% u/ `' d+ ?
为了控制变异操作,用于控制变异分布的策略参数被引入,这些策略参数包括全局(整体)步长、单独步
: U* c7 |; O) z. S2 W% s. t/ }0 |. |) u
" P0 y- f4 q9 X7 b: K( u
5 G0 W6 N6 T: h/ j* q5 v& f7 u( ^) U# N$ i4 W8 y" U
|
|
/1 
发表于 2021-1-18 10:29
收藏
淘帖
支持！
反对！