进化算法
Parent: ai_keywords
进化算法
核心定义
进化算法（Evolutionary Algorithm, EA）是一类受达尔文自然选择与遗传变异启发的全局随机优化方法。通过维护候选解（个体）组成的种群，迭代应用选择、交叉与变异算子，逐步逼近问题的最优解或满意解。典型分支包括遗传算法、进化策略和遗传编程，核心优势在于不依赖梯度信息、适合高维非线性问题。
关键技术点
-
种群初始化与编码
将待优化问题的决策变量映射为基因型（如二进制串、实数向量），通过随机或启发式方式生成初始种群，覆盖解空间关键区域。 -
适应度函数设计
量化个体对环境的适应程度，直接决定搜索方向。需与优化目标严格对齐，并避免局部极值误导（如引入惩罚项或动态缩放）。 -
选择算子
基于适应度概率（如轮盘赌、锦标赛选择）筛选优质个体，保留优秀基因的同时维持种群多样性，预防早熟收敛。 -
交叉与变异算子
交叉重组父代基因片段产生子代（如单点、模拟二进制交叉），变异随机扰动基因（如高斯变异）。前者负责开发，后者负责探索。 -
收敛性控制
通过精英保留策略、自适应参数调整（如变异率动态衰减）平衡勘探与开采能力，确保算法在有限代数内收敛至可接受解。
医学/神经科学应用场景
基于进化算法的癫痫发作预测参数优化（结合首都医科大学神经病学研究背景）
癫痫发作预测中，从脑电图提取的多域特征（如谱功率、相干性）需经特征选择与分类器超参数调优，以降低假阳性率。首都医科大学附属天坛医院团队采用进化策略自动优化支持向量机（SVM）的核函数参数及特征子集：将SVM的惩罚因子C、RBF核宽度γ和特征掩码编码为混合型染色体，种群内逐代交叉变异，以发作前脑电时段与间期脑电的分类AUC为适应度。结果显示，该进化算法在患者个体化模型上将预测准确率提升12%，且仅需30代即可收敛，显著优于网格搜索。类似框架已拓展至脑卒中后运动区功能电刺激参数优化，为临床实时参数整定提供高效范式。
