数据+进化算法 等于数据驱动的进化优化？

　　进化算法只需计较方针函数的值即可，对优化题目自己的性子要求长短常低的，不会像数学优化算法每每依靠于一大堆的前提，譬喻是否为凸优化，方针函数是否可微，方针函数导数是否 Lipschitz continuity 等等。本人还曾经研究过带有偏微分方程束缚的优化题目，许多时辰你基础就不知道谁人方针函数凸不凸，可导不行导。这一点是进化算法相对数学优化算法来说最大的一个上风，现实上同时也是进化算法一个劣势，由于不依靠题目的性子(problem-independent)对全部题目都好使每每意味着没有充实的操作差异题目的特征去进一步加快和优化算法(这里很具有哲学辩证头脑的是有利益每每就会派生出弱点)。这样看来数学优化算法的条条框框现实上是规定了，数学优化算法的合用范畴，出了这个范畴好使欠好使不知道，可是在这个范畴内数学优化就能给出一个根基的理论担保。

　　结论：对题目布局确定的优化题目，有充实的关于优化题目的信息来操作的时辰数学优化一样平常来说有上风，譬喻线性筹划，二次筹划，凸优化等等。反之，也许行使进化算法就会有上风。对付一些数学优化今朝不能彻底办理的题目譬喻 NP hard 题目，进化算法也有很大的应用远景。

　　Round2 求解速度

　　进化算法的计较速率较量慢一向是各人的共鸣，这一点也很好领略，每迭代一次都必要计较 M 次方针函数，M 是种群局限一样平常是 30-50 阁下。进化算法的前沿的研究偏向个中一个就是针对大局限优化题目的(large-scale), 我也曾查阅过相干顶级期刊的论文发明进化算法里的 large-scale 的局限对数学优化算法来讲也许基础构不成 large-scale。以是侧面回响出了进化算法在计较速率的瓶颈限定了其在大局限优化题目上的应用。值得一提的是近几年来跟着深度进修的崛起，人们对计较力的要求越来越高，基于 GPU 的并行计较和漫衍式计较的架构被普及的应用到人工智能的各个规模。因为进化算法自己生成具有精采的并行特征，基于 GPU 并行计较的进化算法是否可以或许在必然水平上办理进化算法速率慢的题目绝对是一个值得研究的 topic。

　　综上所述：进化算法也好，数学优化也好都只是熟悉题目办理题目的器材之一，器材自己并不存在绝对的是非之分，每种器材都有其合用的场景，分辨它们的黑白，找到它们吻合的应用场景是我们这些用器材的人应该做的。

　　小结

　　数据驱动进化优化算法用来办理计较价钱昂贵的题目，也有看到应用在其余优化规模，如鲁棒优化题目，大局限优化题目等，由于这些题目求解进程也淹灭大量计较时刻，其本质照旧镌汰真实题目的评估次数。另外，离线的数据驱动优化也开始研究(也称为仿真优化)[1]，也就是说优化进程中只能行使署理模子，无法用真实题目验证。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!