小生境半径自适应（NRA）

名称

小生境半径自适应（Niche Radius Adaptation，NRA）

分类

查看分类思维导图

小生境半径自适应是一种应用于进化算法（Evolutionary Algorithms）中的技术，尤其常见于多峰优化（Multimodal Optimization）和小生境方法（Niching Methods）中。它与适应度共享（Fitness Sharing）、拥挤法（Crowding）等其他小生境技术密切相关。

• 计算智能
  • 生物启发计算
    • 进化计算
      • 进化算法
        • 小生境方法
          • 小生境半径自适应

策略

小生境半径自适应是一种动态小生境技术，其通过在进化过程中动态调整小生境半径来维持种群多样性并防止过早收敛。小生境半径决定了每个个体周围发生资源竞争的邻域范围。

自适应小生境半径

小生境半径自适应的核心思想是根据搜索空间中个体的分布情况，动态调整小生境半径。在个体分布密度较高的区域，减小小生境半径，以促进局部竞争并保持多样性；相反，在个体分布密度较低的区域，增大小生境半径，以鼓励探索并避免搜索停滞。

适应度共享

小生境半径自适应通常与适应度共享（fitness sharing）结合使用。适应度共享是一种根据个体与种群中其他个体接近程度来调整个体适应度的小生境技术。在个体密集分布的区域中，适应度共享会降低个体的适应度，从而促进围绕多个最优解形成稳定子种群。

多样性维持

通过动态调整小生境半径并结合适应度共享机制，小生境半径自适应能够在整个进化过程中有效维持种群多样性。这种多样性对于多峰优化问题中探索多个最优解以及防止种群过早收敛到次优解至关重要。

过程

1. 随机初始化种群。
2. 评估种群中每个个体的适应度。
3. 计算种群中所有个体之间的两两距离。
4. 对于每个个体：
   1. 根据搜索空间中个体的分布情况确定其小生境半径。
   2. 识别位于该小生境半径范围内的邻居个体。
   3. 利用适应度共享机制计算该个体的共享适应度。
5. 应用选择、交叉和变异算子生成下一代。
6. 重复步骤 2–5，直到满足终止条件。

数据结构

• 种群（Population）：由若干个体组成的数组或列表，表示优化问题的潜在解。
• 个体（Individual）：表示单个解的数据结构，通常编码为决策变量向量。
• 适应度（Fitness）：表示个体质量或优劣的标量值。
• 距离矩阵（Distance Matrix）：用于存储个体之间两两距离的矩阵。

参数

• 种群规模（Population Size）：种群中的个体数量。
• 小生境半径（Niche Radius）：初始小生境半径，用于确定每个个体周围邻域的范围。
• 共享因子（Sharing Factor）：控制适应度共享强度的参数。
• 交叉概率（Crossover Rate）：应用交叉算子生成后代的概率。
• 变异概率（Mutation Rate）：引入变异以增加种群差异的概率。

注意事项

优点

• 能够维持种群多样性并防止过早收敛。
• 能够根据个体分布情况自适应地调整小生境半径。
• 有利于在多个最优解附近形成稳定子种群。
• 对于具有多个全局最优和局部最优的多峰优化问题较为有效。

缺点

• 由于需要计算个体间两两距离，会增加计算复杂度。
• 需要合理选择初始小生境半径、共享因子等参数。
• 在高维搜索空间中，距离度量的判别能力可能减弱，从而影响方法效果。
• 该技术的有效性在较大程度上依赖于小生境半径自适应机制的合理调节。

启发式建议

小生境半径初始化

• 可采用相对较大的初始小生境半径，以鼓励搜索空间的早期探索。
• 可考虑将个体间最大距离的一定比例作为初始小生境半径。

小生境半径自适应策略

• 应根据搜索空间中个体的局部密度对小生境半径进行自适应调整。
• 在个体密度较高的区域减小小生境半径，以促进局部竞争。
• 在个体密度较低的区域增大小生境半径，以增强探索能力。
• 可尝试不同的自适应策略，例如采用线性、指数或对数方式对小生境半径进行缩放。

适应度共享

• 可采用一种随个体间距离减小而降低适应度的共享函数。
• 应调节共享因子，以控制适应度共享强度及稳定子种群的形成效果。
• 可考虑使用动态共享因子，使其根据种群多样性或进化阶段自适应变化。

种群规模与多样性

• 应使用足够大的种群规模，以维持多样性并探索多个最优解。
• 应在进化过程中监测种群多样性；当多样性低于某一阈值时，可调整小生境半径或其他参数。
• 可考虑结合其他多样性保持机制，例如受限交配（restricted mating）或物种形成（speciation）。

终止准则

• 应根据具体问题领域和可用计算资源设定合理的终止条件。
• 可采用多种终止条件的组合，例如最大迭代代数、目标适应度值或种群收敛度量。
• 在终止算法之前，应给予种群足够时间去探索并收敛到多个最优解附近。