Bài giảng Tính toán tiến hóa - Bài 5: Evolution Strategy - Huỳnh Thị Thanh Bình
Nội dung
2
Tổng quan Evolution Strategy (ES)
Các loại ES
Ví dụ minh họa
Tổng quan về Evolution Strategy
3
Evolution Strategy (Chiến lược tiến hóa – ES)
Thuộc lớp các thuật toán tiến hóa EAs, dựa trên quần thể
Lấy cảm hứng từ chiến lược chọn lọc tự nhiên
Rất hiệu quả cho việc tối ưu số thực
Tổng quan về Evolution Strategy
4
Cho hộp đen với hàm mục tiêu cần tối ưu f(x)
Không thể tính được đạo hàm, không lồi….
f(x) là tất định
Gọi 푝휃(푥) là phân phối của các lời giải tốt cho việc tối ưu
f(x)
Nếu dạng phân phối là xác định (giả sử gauss) thì
휃 là tham số mang thông tin về lời giải tốt nhất
휃 được cập nhật qua mỗi thế hệ trong EAs
Tổng quan về Evolution Strategy
5
Bắt đầu với giá trị khởi tạo 휃, Các thuật toán ES cập
nhật 휃 theo 3 bước như sau:
Bước 1: Sinh một quần thể ban đầu P(t) , với N mẫu.
푃 푡 = { 푥푖, 푓 푥푖 , 푥푖~푝휃(푥)
Bước 2: Đánh giá các cá thể trong P(t)
Bước 3: Chọn một tập con cá thể có độ thích nghi tốt
nhất trong P(t) và cập nhật lại 휃
Bước 4: t = t+1 và lặp lại bước 1 cho đến khi thỏa mã
ĐK dừng
Cá c loại ES
6
Dựa theo chiến lược chọn lọc sinh tồn
(휇, 휆) − 퐸푆 : Chọn 휇 cá thể tốt nhất từ 휆 cá thể con để sinh
tồn ở thế hệ tiếp theo
(휇 + 휆) − 퐸푆 : Chọn 휇 cá thể tốt nhất từ tập hợp của
◼ 휆 cá thể con và
◼ 휇 cá thể cha trước đó
Các thuật toán ES phổ biến:
Simple Gaussian Evolution Strategies
Covariance Matrix Adaptation Evolution Strategies (CMA-
ES)
Simple Gaussian Evolution Strategies
7
Là chiến lược tiến hóa đơn giản và cổ điển nhất của ES
Phân phối 푝휃của các cá thể là phân phối Gauss n-chiều
휃 lưu trữ thông tin của giá trị trung bình μ và độ lệch chuẩn 휎
휃 = 휇, 휎 , 푝휃 푥 ~ 푁 휇, 휎2퐼 = 휇 + 휎 ∗ 푁(0, 퐼)
Các bước của thuật toán
Bước 1: Khởi tạo 휃 = 휃0, 푡 = 0
Bước 2: Sinh ngẫu nhiên 휆 cá thể từ phân phối 푝휃
푃 푡 + 1 = 푥푖(푡+1) 푥푖(푡+1) = 휇(푡) + 휎(푡) ∗ 푁 0, 퐼 , i = 1, … , 휆}
Bước 3: Chọn ngẫu nhiên 휇 cá thể tốt nhất trong P(t+1) để cập nhật
lại 휇(푡+1) và 휎(푡+1)
Bước 4: Lặp lại bước 2 và 3
Simple Gaussian Evolution Strategies – Ví dụ
8
Bước 1: Khởi tạo
1- Initial Solution
Simple Gaussian Evolution Strategies – Ví dụ
9
Bước 2: Sinh ra 휆 cá thể con
Simple Gaussian Evolution Strategies – Ví dụ
10
Bước 3: Chọn ra 휇 cá thể con tốt nhất
Simple Gaussian Evolution Strategies – Ví dụ
11
Bước 4: Cập nhật giá trị trung bình của phân phối và lặp lại
bước 2 và 3
Simple Gaussian Evolution Strategies
12
휎 càng cao: Mức độ khám phá của thuật toán càng lớn
Tuy nhiên giá trị 휎(푡+1) khá tương đồng với 휎(푡)
Khả năng hội tụ kém khi 휎 cao
Hình dạng của phân phối trong SGES là giống nhau ở mọi thởi
điểm
Covariance Matrix Adaptation Evolution
Strategies (CMA-ES)
13
Để khắc phụ những điểm yếu của SGES, CMA-ES xây dựng cơ
chế thích nghi, điều chỉnh không gian khám phá sau mỗi thế hệ
Hình dạng của phân phối thay đổi và cập nhật sau mỗi thế hệ
Covariance Matrix Adaptation Evolution
Strategies (CMA-ES)
14
Covariance Matrix Adaptation Evolution
Strategies (CMA-ES)
15
CMA-ES thay đổi hình dạng của phân phối thông qua việc thích
nghi hiệp phương sai C
Covariance Matrix Adaptation Evolution
Strategies (CMA-ES)
16
Hiệp phương sai chỉ ra hướng mà quần thể nên tiến hóa
Covariance
Variance
Covariance Matrix Adaptation Evolution
Strategies (CMA-ES)
17
Covariance Matrix Adaptation Evolution
Strategies (CMA-ES)
18
Covariance Matrix Adaptation Evolution
Strategies (CMA-ES)
19
Covariance Matrix Adaptation Evolution
Strategies (CMA-ES)
20
Tải về để xem bản đầy đủ
Bạn đang xem 20 trang mẫu của tài liệu "Bài giảng Tính toán tiến hóa - Bài 5: Evolution Strategy - Huỳnh Thị Thanh Bình", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- bai_giang_tinh_toan_tien_hoa_bai_5_evolution_strategy_huynh.ppt
- 5. EvolutionaryStrategy.pdf