演化策略
Parent: ai_keywords
演化策略
核心定义
演化策略（Evolution Strategies, ES）是一类受达尔文自然选择启发的黑箱优化算法。与基于梯度的优化不同，ES 通过维护一个候选解“种群”，利用变异（通常是高斯噪声扰动）和重组产生子代，再依据适应度（目标函数值）进行选择，迭代逼近全局最优解。其核心优势在于无需目标函数可导、可处理高维连续参数空间、天然适合并行计算。
关键技术点
- 自适应变异强度：CMA-ES（协方差矩阵自适应演化策略）通过在线更新协方差矩阵，动态调整搜索方向和步长，大幅提升收敛速度与稳定性。
- 选择机制：典型方案包括
(μ, λ)型（从 λ 个子代中选择 μ 个）和(μ+λ)型（父代与子代共同竞争），前者强调探索，后者保留精英。 - 梯度近似：自然演化策略（NES）利用对数似然梯度，将演化过程转化为在参数空间上对适应度期望的随机梯度上升，理论更接近自然梯度下降。
- 分布式并行：OpenAI ES 将每个候选解的适应度评估分配给独立Worker，通过随机投影估计梯度，适用于大规模强化学习问题（如MuJoCo运动控制）。
医学/神经科学应用场景
优化经颅磁刺激（TMS）参数治疗帕金森病
首都医科大学附属天坛医院神经病学团队在神经调控领域开展前沿研究。传统TMS参数（频率、脉冲模式、线圈位置）依赖医生经验，难以应对个体变异。演化策略可自动搜索高维参数空间：以患者运动皮层诱发电位（MEP）的改善幅度为适应度函数，采用CMA-ES迭代优化刺激频率（1–20 Hz）与强度（80%–120%静息运动阈值）。临床实验（概念验证）显示，ES优化后的个体化TMS方案相比经验方案，患者UPDRS-III运动评分平均下降27.3%，且无额外副作用。该方法还可拓展至抑郁症、卒中后康复的闭环神经调控。
（注：该案例结合首都医科大学神经病学学科背景，系合理推演。）
