人工智能|IEEE Fellow姚新：在多目标动态优化问题中，演化计算仍有独特优势( 二 )

「这（预测素数）在数学界都是一个巨大的挑战，但 Fogel 在66年就已经想出用机器来预测，而不是靠人来算。」姚新感叹。

文章插图

图注：Lawrence J. Fogel
1964年，德国柏林工业大学的两位学生 Ingo Rechenberg 与 Hans-Paul Schwefel 提出进化策略（Evolution strategies）；1975年，美国密歇根大学的 John Henry Holland 借鉴了达尔文的生物进化论与孟德尔的遗传定律思想，提出「遗传算法」（Genetic algorithms）。两者后来均成为演化计算的重要分支。
尤其是遗传算法。在《Adaptation in Natural and Artificial Systems》一书中，John Holland 十分强调「适应性」（adaptation），以及如何用遗传算法来研究计算程序的自适应与自动搜索。基于达尔文物种选择理论的问题分析方法，遗传算法开始于一定数量的初始点，每一个节点均具有随机生成的特征，成功生成的节点会被合并、生成新的「智能体」，该「智能体」具有双亲的特征。
遗传算法的高明之处，一是提供了研究进化论的空间与研究自然现象的独特方法，二是利用进化论的思想进行计算机函数优化，让计算机开始具有通过「繁衍」来适应与学习的机制。

文章插图

图注：John Henry Holland
不过，由于当时计算机的容量小、运算速度慢、符号AI研究火热等因素，演化计算的这些早期理论并没有引起太多人的注意。
直到80年代，传统人工智能的解题局限性开始凸显；与此同时，计算机的速度得到显著提高，演化计算开始被用于解决实际问题，在机器学习、工程优化与过程控制等领域取得了极大成功，重新吸引了研究者的目光，在许多国家掀起了演化计算的研究热潮。
2006年，NASA的ST-5航天器便使用了演化算法来设计空间、自动寻找更高效的X-band天线设计方案。由两种进化算法（实值参数向量与树结构生成表示）「繁衍」出的性能最优的天线经过构造与测试，均优于手工设计的天线。而且，只需要调整适应函数，他们就可以在不到一个月的时间内快速进化出一套新的天线（如下图）：

文章插图

此外，2008年北京鸟巢体育馆的钢结构在设计的过程中也使用了演化计算，通过遗传算法迭代而成，整体结构十分稳固：

文章插图

「而演化计算的最近一次大发展，是在2015年以后。」姚新指出。深度学习崛起后，演化计算与人工智能的其他分支结合，形成新的研究方向，比如「演化神经网络」、「演化机器人」。
姚新指出，学习与进化是生物适应的两大基本形式，两者理应相互增益。他解释：
「大多数深度学习模型首先是设计一个结构，然后训练权值，但实际上，没有一个生物的大脑在学习的过程中是结构固定、权值变化的。所有生物的大脑学习都是结构上的学习，而不是调调参数。从上世纪90年代开始，研究演化算法的人就强调，神经网络的学习应该是结构与参数的同时学习，而不是先设计一个结构、然后再去做参数的优化。」
演化计算至少有4个主要分支：遗传算法、演化编程、进化策略与遗传编程。此外，演化计算中还有一些「小而美」的分支，比如共生演化、差分演化、蚁群算法和粒子群算法等等。姚新指出，AlphaGo与对抗学习的许多思想，与80年代末、90年代初演化计算研究者所提出的对抗性思想完全是同源而生，只是实现的手段不一样。
除了对抗性思想，演化计算在多目标优化与决策问题上也有着独特的优势。比如，将一个大规模的深度学习模型安装在手机上，目标1：高性能；目标2：模型安装要控制在手机耗电量可承受的范围内；目标3：安全…这种场景与运筹学中常遇到的优化问题相似，但是，多目标演化算法可以在一次运行中找到整个Pareto front的近似解集，而不仅仅是一个解。这样可以为决策者提供不同的折衷方案并方便决策者比较各种方案。传统方法的缺点之一就是每次算法运行只能找到一个解。