[论文解读] Critical control of a genetic algorithm

Raphaël Cerf|arXiv (Cornell University)|May 19, 2010

Evolutionary Algorithms and Applications参考文献 20被引用 4

一句话总结

本文提出了一种新颖的启发式方法，通过监控代际间最佳适应度值，动态控制遗传算法中的变异概率和种群大小。该方法在探索与选择之间的推测临界点附近运行，实时调整参数：若适应度停滞则增加变异，若适应度下降则减少变异，若适应度改善则重新初始化，从而在高效搜索中保持最佳平衡。

ABSTRACT

Based on speculations coming from statistical mechanics and the conjectured existence of critical states, I propose a simple heuristic in order to control the mutation probability and the population size of a genetic algorithm.

研究动机与目标

• 解决在实际应用中为遗传算法选择最优参数（变异率和种群大小）这一长期存在的挑战。
• 提供一种简单且基于经验的启发式方法，避免依赖临界点的理论计算。
• 将统计力学中的临界性概念在有限种群遗传算法中实现应用。
• 通过维持探索（变异）与选择（基于适应度的选择）之间的动态平衡，提升搜索效率。

提出的方法

• 通过比较代际间最佳适应度值，判断算法当前所处的运行阶段。
• 根据适应度趋势调整变异概率：若适应度保持不变（选择占主导），则增加变异概率；若适应度下降（变异占主导），则减少变异概率。
• 若适应度改善，则重新初始化变异控制并把种群大小重置为2，表明已逃离局部最优。
• 使用二分法程序在有界区间内精细调整变异概率，确保向最优值收敛。
• 通过保留每代中最佳个体来集成精英策略，当适应度改善时维持高质量解。
• 仅在变异概率收敛后才增加种群大小，以避免过早收敛。

实验结果

研究问题

• RQ1 基于适应度趋势监控的简单启发式方法，能否有效控制遗传算法中的变异概率和种群大小？
• RQ2 在有限种群遗传算法中，是否在接近临界点（即探索与选择达到平衡）时能实现更高效的搜索？
• RQ3 埃因斯的准物种模型中的误差阈值概念，在多大程度上可被改编用于指导实际遗传算法中的参数控制？
• RQ4 如何在不依赖适应度景观先验知识或临界点理论计算的前提下，实现动态参数控制？

主要发现

• 该启发式方法通过响应实时适应度变化，成功在探索与选择之间保持平衡，避免了停滞与过度扰动。
• 当适应度在多代中保持不变时，增加变异概率可增强探索能力，防止过早收敛。
• 当适应度下降时，降低变异概率可使选择占主导，稳定搜索过程。
• 当适应度改善时，重新初始化变异控制并把种群大小重置为2，有助于算法逃离局部最优并探索新区域。
• 通过基于二分法的精炼过程，该方法实现了变异概率的收敛，确保了稳定的参数自适应。
• 精英策略的集成在保持高质量解的同时实现了自适应参数控制，显著提升了整体性能。