智能计算论文

分析现有方法的缺点

优势：架构不一样，但是也属于进化计算分支

元启发式算法 -> 进化计算（进化类元启发式算法）

典型的有：

• 遗传算法 GA
• 差分进化算法 DE
• 进化策略 ES
• 遗传编程 GP
• 进化编程 EP

meta 元启发式算法分类

• 进化类

• 物理/化学类

• 自然现象类

  • 蚁群算法
  • 人工蜂群

• 人类社会启发

introduction 还差前文的缺点：

要实现元老级的进化算法都实现了，

不足之处：他们把适应度不足的个体直接淘汰了，但是有一些适应度不足的个体可能有潜力，早熟/过早收敛，种群多样性降低，陷入局部最优解附近打转。

我们的架构：检验将被淘汰的适应度不足的个体，同时引入全局初始化个体

不要从理论的角度出发，要从实践的角度出发

Introduction 部分，小规模实验，以实验结果说话。

实验目的是：证明经过上面两点的改进之后，进化类算法的早熟现象有所改进。

小规模实验思考的出发点是：我为什么不用这个现成的、要用改进过后的？

步骤一：放 Intro

现有的算法在调参之后，也能尽量多地保留适应度不足的个体，也能在每一代引入全局初始化向量。

但是在调参或者提供新的算子的现有算法下，这个结果还不如传统现有算法（取经验值的区间内的）

“现有算法经过调参之后，实验结果的提升效果不明显（或者更差了）”

步骤二：放实验里

我们把前面的算法经过新的框架改进之后，再进行实验

对 GA、DE、ES，做三次实验：调参、传统、用框架修改

实验内容：再 Python 上运行 23 基本函数 30 次（每次两万代），取（函数值的）平均值和方差

再在零零碎碎的算法里面取3个有代码，总共取五到六个进化算法去做比较

大维把传统的运行一遍，记录参数，找到新的进化算法论文，运行一遍，记录参数，然后收集各种元启发式算法的结果就好啦