（译文 页数：19 字数：12120）寻找搜索算法：在元搜索中的试验

摘 要：传统的办法来解决优化和搜索问题是用不同的搜索算法来解决手头上的问题的为了发现一种更好适应爆炸性的搜索空间的技术。本文研究另一种办法，它的搜索算法会自动合成对应的优化问题的实例。一种语言的组成可能有用的基本搜索原始的计算公式。用这种搜索的语言和遗传编程实现搜索算法。遗传编程系统评估每个搜索算法运用到二进制编码的优化问题（旅行商）的适应度，并测量相对执行该算法在寻找解决问题的办法。结果表明，进化搜索算法对相应的问题往往能显示一贯的特点，例如，有些问题的情况下和爬山一样是上升的，有的则更好地适应传统的遗传算法。正如所料，元搜索算法起源于大的规模和代表性的问题的探讨，大部分的计算分配给整个搜索，搜索原始可供算法。此外，一些观点在搜索算法取得进展。在这个课题的研究期间一种新型的“ memetic交叉”算得到了进化。

关键字：元搜索，启发式算法，遗传算法，遗传编程

目录

1 导言
2 背景
3 实验
4 结果
5 讨论
6 结论

1 导言
搜索的概念是人工智能研究领域在计算机科学中的一个重要和实际的贡献。任何介绍人工智能教科书将用大量的章节讲从普通的搜索概念到搜索技术，比如盲目式和启发式搜索或者更先进的例子，比如最大最小法，进化算法，禁忌搜索算法，模拟退火，神经网络。使用搜索来解决一个问题要做的就是对某一个要解决的特定问题找到最有效的战略。不同搜索算法对不同的问题往往表现出不同的性能特点。选择合适的算法和微调其参数，往往取决于当前者的经验与正在分析的问题。
对某一问题的实例，本文提出了一种新方法找到一个有效的搜索策略。具体的实例优化问题用遗传规划，我们进化搜索算法。这是一个元演变的实例：（i）在元水平的顶部，我们正在进化搜索算法；（ii）第二步，每个搜索算法适用于一个问题例，寻求这一问题的一个解。搜索算法语言是由各种原始有用的搜索算法组成。原语包括算子的选择，改造，并复位搜索成员的设置。候选搜索算法的执行在第二层优化问题之上。问题的解达到被接受的范围或迭代没有达到最多，搜索算法都是适用的。通过检查的最佳解决方案中的level 2的候选解来评价遗传规划程序搜索算法的适应度。