استراتژيهاي تکاملي خانواده اي از الگوريتم هاي پردازش تکاملي هستند که معمولا براي بهينه سازيهاي عددي مورد استفاده قرار مي گيرند . اين الگوريتم ها اول بار توسط رشنبرگ و شفل در دهه 1970 در دانشگاه برلين آلمان معرفي گرديدند . اين خانواده از الگوريتم هاي تکاملي در قياس با ساير الگوريتم هاي تکاملي از سرعت به نسبت بالاتري برخوردار بوده و براي مسايل بهينه سازي مرتبط با اعداد حقيقي مي توانند پاسخ هاي مناسبي را دربر داشته باشند. همانند ساير الگوريتم هاي تکاملي در اين الگوريتم ها نيز هدف پيدا کردن مينيمم يا ماکزيمم مناسب بوده و تضميني براي يافتن بهترين جواب در مسايل چند قله اي و پيچيده وجود ندارد. از ويژگي هاي ديگر اين الگوريتم ها مي توان به پايه نظري قوي آنها اشاره نمود که در اين خصوص در مقابل عمده ساير رو شهاي تکاملي داراي اثبات رياضي مي باشند.
در اين خانواده از الگوريتم ها ، عملگر اصلي ايجاد تنوع، عملگر جهش مي باشد که با اضافه نمودن نويز کنترل شده به مجموعه والد فرزندان آنها توليد مي گردد. اين نويز معمولاً متغيري تصادفي با توزيع نرمال است که به هر يک از مولفه هاي جمعيت اضافه مي شود. از طريق تنظيم واريانس اين نويز به صورت همزمان با اجراي الگوريتم، مي توان جواب مناسب را با هزينه کمي بدست آورد. رو ش هاي گوناگوني براي تنظيم اين واريانس وجود دارد که دو روش يک پنجم موفقيت و خودتطبيقي از معروفترين روش هاي آن محسوب مي گردند. در روش خود تطبيقي که خود با توجه به روش هاي متفاوت منجر به توليد الگوريتم هاي متفاوت استراتژي تکاملي مي گردد، پارامترهاي جهش خود به عنوان عضوي از جمعيت در حال تکامل محسوب شده و به صورت خودکار در طي اجراي الگوريتم مورد اصلاح قرار مي گيرند. اين موضوع با توجه به ماهيت الگوريتم هاي تکاملي که در ابتداي فعاليت مي توانند به سرعت به جوابهاي محلي نزديک شده و در انتها نيازمند افزايش دقت تخمين مي باشند، داراي اهميت بسزايي است.
کد متلب آماده
بدون خطا
سلام .میخواستم بدونم بهینه سازی ماشین بردار پشتیبان با الگوریتم SFLA رو هم میذارید؟خیلی بهم احتیاج دارم