《Coevolutionary computation and its application》协同演化及其应用中文对照·第一章

原文链接：https://link.springer.com/book/10.1007/978-981-96-2841-4
【免费】资源下载：https://download.csdn.net/download/m0_54713489/90954283?spm=1001.2014.3001.5503

观前提示

本文在忠实原文的基础上，对翻译内容做了适当的删改，然而翻译终究无法体现原著语言之精妙，用词之准确，如读者有能力，建议阅读原文！！！

第1章 演化计算：概述

1.1 演化计算：一种现代搜索启发式方法

作为人工智能方法的一个现代分支，演化计算（Evolutionary Computation）包含了受自然进化过程启发的计算系统和程序。它们被用于解决复杂的现实世界问题，并在合理的时间内提供足够优质的解决方案。演化计算被广泛应用于从物理、生命科学到社会科学等各类领域，既适用于优化（Optimization）与学习（Learning）相关的问题，也适用于涉及建模（Modelling）和仿真（Simulations）的问题。在这些情形下，那些经典精确方法无法在规定时间内保证获得最优解、需要针对特定问题结构做大量扩展或对支撑其大量形式化构造的强假设进行放宽的问题，演化计算为其提供了可行的替代方案。

尽管演化计算所采用的方法与经典方法（如：单纯形法，牛顿法，梯度下降等）在原理上存在根本性的不同，但两者之间同样存在共通点。实际上，通过搜索进行问题求解的思想具有普遍性，涵盖了众多方法家族 [1]。进化算法（Evolutionary Algorithms，EAs）是在一种构建在“生成-测试”框架下的算法，其核心是可以在计算机上实现的迭代过程 [2]。因此，问题求解实际上是对解空间进行迭代搜索。在每一步中，都会生成新的候选解，并依据一组测试准则对其进行检验，以判断搜索目标是否已经达成，从而决定是否终止搜索。

较为直接的方法是利用问题定义来制定测试准则，随后，人们可以采用不同的、系统的方法来生成后续候选解。然而，这种无信息（uninformed）搜索方式存在潜在的局限性。通过一个简单的例子说明：假如你解决的是一个离散结构的问题，比如“给定 $n$ 个点的图有多少种不同的着色方式”，并且你能用一组参数（比如一个长度为n的颜色数组）唯一地表示每一个解，那么所有满足条件的解都可以列成一个唯一的、没有重复的列表，每个解都能找到且只出现一次。假如我们暂且不考虑提前停止，而是让搜索顺序由某种生成方式决定（比如从头到尾依次枚举），无信息搜索的过程就像是在一个具体顺序排列的解列表里，从左到右逐个检验每个候选解。在最坏的情况下，最优解会被排在最后一个位置，也就是说你要把所有解都试一遍，最后一个才是你要的。

（未完待续……）

[1]: Russell, S., Norvig, P.: Artificial Intelligence: A Modern Approach, 4th edn. Pearson, New
Jersey (2021)
[2]: Yao, X.: Evolutionary Computation: Theory and Applications. World Scientific Publication,
Singapore (1999)