參數調整機制分類

改進 DE 這個演化式演算法類別裡的參數調整機制在近年來為流行的發展方 向，利用在演化過程中的參數變化方式來判別該演算法特徵，一般參數調整機制 常 使 用 Eiben 於 [13] 中 所 提 出 的 以 下 三 種 分 類 ： (1) 決 定 性 參 數 控 制

(deterministic parameter control) 、 (2) 適應性參數控制 (adaptive parameter control) 及 (3) 自適應性參數控制 (self-adaptive parameter control)。除了第一種決定性參 數控制相對於其他兩者容易區分外，(2) 和 (3) 兩種在定義上並不明確，經常由

11

該篇文獻作者自行定義該演算法參數控制機制屬於何種。而不同作者在不同的觀 點去分類相同的演算法，則會造成不同的分類結果：因為此種由作者區分的方式 常有主觀見解模糊地帶。

陳政南於 [5] 中提出新穎且明確的分類方法：參數調整機制依照 (1) 數值分 布、(2) 族群參數個數及 (3) 參考資訊範圍等三個特徵來分類，藉此我們可以較 容易的理解各個 DE 的概念與目的，方便找出該種參數調整機制影響成因來改進 我們的演算法；而 Chiang 等人於 [14] 中則是將族群參數個數內的分類方式更 詳細劃分，以求更明確表現所使用的參數控制行為。以下將說明其分類方式如圖

2.1 所示：

圖 2-1 參數調整機制分類示意圖

2.2.1 數值的分布方式

數值的分布方式劃分為連續數值和離散數值。連續數值表示以一段連續實數 當作參數值的範圍，參數值可能是這段連續實數中的任何一值，在相同決策空間

12

下，具有個體多樣性較高的特點；而離散數值分布則為預先設定好的離散數值範 圍，通常進行實驗過後依據其結果來修正參數增進效能。

2.2.2 族群參數個數

依族群的參數個數可分成單一參數 (single parameter)、多重參數 (multiple

parameter)、個別參數 (individual parameter) 與變數參數 (variable parameter) 。

單一參數指的是整個族群共用一個參數，在應對不同演化狀態時的靈敏度可 能就沒有比個別參數好，但調整時能夠以族群為單位改變整體參數變化狀態；

多重參數則是使用分配指定數值範圍中不同的隨機值給個別個體，而個體在每 一個子代時所分配到的值都會不同，分配的方式經常使用常態分配來決定；個 別參數表示每個個體都擁有自己的參數，來針對個體作細微的調整，比較能視 個體自己的演化狀態決定參數的調整方式，為常見的族群參數類型； 變數參數 則是類似個體參數，但控制方式是由調整機制自身的決策變數影響，而非個別 個體上的參數決定。

2.2.3 參考資訊的範圍

參數調整機制有時依賴某些特定的資訊才能對參數進行適合的修正，這些資 訊參考的範圍又能分為：(1) 沒有資訊、(2) 個體資訊、(3) 親代資訊與 (4)群體 資訊共四種。(1) 沒有資訊為不需參考任何東西便能產生新的參數，大都使用在 一定範圍內取出隨機值的方式，該參考方式多樣性較高，但無法隨著目前演化狀

13

況改變而適當調整。(2) 個體資訊的調整方式是靠參考個體演化情形來調整，有 時個體在演算法中會擁有自己的參數組，讓個體利用觀察自己過往的演化情形來 修正參數，其缺點在於該個體無法利用其它個體產生的資訊作出即時回饋產生適 當的演化參數調整。(3) 親代資訊的參數值則是由許多個親代提供的資訊來產生，

使得子代可以參考多個親代各項資訊來提升演化效能。(4) 群體資訊則是使用整 個族群的資訊作為參考，像是統計所有個體產生優良子代的次數，這類的資訊因 樣本多，好的參數值可以藉求群體資訊參考方式擴大影響其他個體，通常較為可 靠。四種不同的參考資訊範圍我們以圖 2.2 表示其具體行為介紹：

圖 2-2 參考資訊範圍示意圖(陳政南[5])

14