Модификации генетических алгоритмов
3.10. Гибридные генетические алгоритмы
Одним из важнейших преимуществ ГА является то, что они прекрасно сочетаются с другими методами оптимизации, поэтому разработано множество гибридных ГА. Пожалуй самым распространенным подходом является включение локальной оптимизации наряду с генетическими операторами в классическую блок-схему простого ГА. В этом случае локальная оптимизация применяется к каждому полученному потомку, чтобы "сдвинуть" его в сторону локального оптимума перед внедрением его в новую популяцию. При этом ГА используется для глобального расширения пространства поиска, в то время как эвристические методы применяются для "эксплуатации" ближайшего окружения особей. Вследствие того, что ГА и эвристические методы имеют взаимно дополняющие свойства, гибридные ГА часто превосходят по характеристикам входящие в него компоненты.
Другой распространенной формой гибридизации является внедрение адаптации параметров ГА. Характеристики ГА характеризуются балансом между расширением и эксплуатацией пространства поиска решений, который в значительной степени определяется значениями основных параметров ГА, таких как мощность популяции, максимальное число поколений, вероятностей кроссинговера и мутации. Выбор значений этих параметров является одной из важнейших задач при разработке ГА.
Комбинирование ГА и эвристик локального поиска исследовалось многими авторами и предложено множество методов гибридизации, но наиболее распространенными является два: 1) эволюция Ламарка; 2) Балдвин- эффект [9]. Оба подхода используют то, что особь обучается в течение времени своего существования. В случае эволюции Ламарка результирующая особь (после применения локального поиска) помещается назад в популяцию, как показано на рис.3.20
При втором подходе изменяется только значение фитнесс-функции особи, а генотип остается неизменным. Отметим, что классический ГА разработан Холландом на основе моделирования эволюции Дарвина. Но еще в XIX веке в теорию Дарвина были предложены Ламарком дополнения, где изменения особи в течение ее жизни вследствие воздействия окружающей среды передавались потомкам. Эта теория позволяет организмам накопленный опыт и знания в течение жизни передавать потомкам. Далеко не все биологи разделяют эту точку зрения, но этот эффект имеет место, например, в эволюции общества. Использование эволюции Ламарка позволяет сфокусировать поиск на более перспективных областях. В этом случае особь после обучения (методом эвристики локального поиска) помещается назад в текущую популяцию и имеет шанс на этапе отбора и кроссинговера передать информацию потомкам.
Эксперименты на некоторых тестовых задачах показали [8], что стратегия с Балдвин-эффектом чаще сходится к глобальному оптимуму, в то время как эволюция Ламарка склонна к сходимости к локальному оптимуму с использованием одной и той же эвристики локального поиска. Однако, во всех экспериментах стратегия Балдвина имеет меньшую скорость сходимости, чем эволюция Ламарка.
В ранних работах первого направления в ГА использовались операторы Ламарка [9]. Некоторые авторы [10] ввели вероятность Ламарка для мутации с тем, чтобы получить более контролируемый оператор мутации и операторы локального поиска.
Пусть 
и 
обозначают множество родителей и потомков текущей популяции 
. Ниже представлен в виде псевдокода укрупненный алгоритм эволюции Ламарка.
Эти идеи получили развитие в меметических алгоритмах [11,12], в которых локальный поиск также играет важнейшую роль. Термин мем (meme) заимствован из теории Докинза [13] и означает единицу воспроизводимой информации при обмене информацией между людьми. Здесь ключевое различие лежит между генами и мемами. Перед тем, как мем передается, он обычно адаптируется передающим лицом так как оно думает, понимает и преобразует мем, в то время как ген передается без изменения целиком. В [14] дано формальное описание меметического алгоритма, которое позволяет с единой точки зрения рассматривать генетический и меметический алгоритм. Следуя [14], если в ГА вводится локальный оптимизатор, который применяется для каждого потомка перед внедрением его в популяцию, то меметический алгоритм можно рассматривать как специальный вид гибридного ГА с локальным поиском. Рекомбинация и мутация обычно дают решения, которые выходят за зону локального оптимума, но локальный оптимизатор может вернуть их в эту зону и таким образом потомок помещается в окрестность оптимума, как показано на примере рис.3.21
Поскольку ГА навеяны идеей эволюции, естественно ввести элементы адаптации не только в процесс поиска решений задачи, но и в настройку значений параметров ГА для данной проблемы.
