[论文解读] An Overview of Schema Theory

David R. White|arXiv (Cornell University)|Jan 12, 2014

Evolutionary Algorithms and Applications参考文献 38被引用 10

一句话总结

本文为数学与计算机科学领域的研究人员提供了基于数学的纲要理论入门，强调其通过形式化构建模块假说来证明遗传算法的合理性。文章提出了将纲要理论推广至可变长度和遗传编程情境的思路，旨在统一并扩展人工与计算进化理论框架。

ABSTRACT

The purpose of this paper is to give an introduction to the field of Schema Theory written by a mathematician and for mathematicians. In particular, we endeavor to to highlight areas of the field which might be of interest to a mathematician, to point out some related open problems, and to suggest some large-scale projects. Schema theory seeks to give a theoretical justification for the efficacy of the field of genetic algorithms, so readers who have studied genetic algorithms stand to gain the most from this paper. However, nothing beyond basic probability theory is assumed of the reader, and for this reason we write in a fairly informal style. Because the mathematics behind the theorems in schema theory is relatively elementary, we focus more on the motivation and philosophy. Many of these results have been proven elsewhere, so this paper is designed to serve a primarily expository role. We attempt to cast known results in a new light, which makes the suggested future directions natural. This involves devoting a substantial amount of time to the history of the field. We hope that this exposition will entice some mathematicians to do research in this area, that it will serve as a road map for researchers new to the field, and that it will help explain how schema theory developed. Furthermore, we hope that the results collected in this document will serve as a useful reference. Finally, as far as the author knows, the questions raised in the final section are new.

研究动机与目标

• 以适合数学背景研究者（对进化计算了解较少者）的可理解方式，清晰阐述纲要理论。
• 识别并突出纲要理论中对数学研究尤为相关的开放问题与研究方向。
• 倡导将纲要理论推广至可变长度遗传算法与遗传编程，以建立计算进化更稳健的理论基础。
• 将纲要理论与马尔可夫链模型相衔接，以提升进化算法中长期预测与适应度分布分析的准确性。
• 利用动力系统理论将构建模块假说重新表述为精确的数学问题，推动进化计算理论严谨性的发展。

提出的方法

• 运用初等概率与组合数学形式化纲要理论，侧重动机与哲学基础，而非技术性证明。
• 将纲要视为 {0,1,∗} 上的字符串，用以表示位串集合，其中 ∗ 表示“无关”位置。
• 提出纲要定理，用于量化在各代中纲要实例的期望数量，同时考虑选择、交叉与突变的影响。
• 建议将 Vose 的遗传算法马尔可夫链模型扩展至包含纲要层次动态，以实现对种群概率分布的分析。
• 建议通过学习分类器系统中的数量机制等方法，引入多个纲要实例，以更贴近生物现实。
• 建议利用动力系统理论，将构建模块假说形式化为精确的数学猜想。

实验结果

研究问题

• RQ1 如何将纲要理论推广以适应可变长度遗传算法与遗传编程？此类情境中，表示的大小与形状并非固定。
• RQ2 在遗传算法的马尔可夫链模型中，如何确保转移矩阵的遍历性？这与纲要理论有何关联？
• RQ3 能否利用动力系统理论的工具，将构建模块假说表述为精确的数学陈述？
• RQ4 如何扩展纲要理论，以允许同一纲要在种群中存在多个实例，从而反映生物现象如基因复制？
• RQ5 纲要理论与马尔可夫链模型的整合，如何在提升长期预测与适应度分布建模方面发挥作用？

主要发现

• 纲要定理为预测各代中纲要实例的期望数量提供了基础性定量框架，同时考虑了选择、交叉与突变的影响。
• 将纲要理论推广至可变长度表示，可建立更符合生物现实的进化模型，使人工进化与计算进化更加一致。
• 将纲要理论与马尔可夫链模型整合，可实现对种群概率分布的精确计算，从而提升长期预测的准确性。
• 可变长度遗传算法中纲要定理的存在，表明将纲要理论扩展至遗传编程在理论上既可行又必要，以推动未来理论进展。
• 所提出的推广，包括允许多个纲要实例与动力系统形式化，可能催生一个更简洁、更稳健的进化计算理论框架。
• 作者认为，纲要理论具备足够的适应性与强大性，可作为从人工进化向计算进化过渡的奠基性理论。