# TTA-E参数优化算法对比

本项目提供了两种强大的进化算法来优化TTA-E集成参数：**遗传算法(GA)**和**差分进化(DE)**。

## 🧬 遗传算法 (GA_optimize.py)

### 算法特点
- **模拟生物进化**：选择、交叉、变异
- **离散+连续优化**：适合混合参数空间
- **多样性保持**：通过多种遗传操作维持种群多样性

### 配置参数
```python
self.population_size = 20        # 种群大小
self.num_generations = 20        # 迭代代数  
self.num_parents_mating = 5      # 父代数量
self.mutation_percent_genes = 20 # 变异率(%)
keep_parents = 2                 # 保留最佳父代数
```

### 优势
- ✅ **成熟稳定**：PyGAD库经过充分测试
- ✅ **参数控制**：丰富的参数调节选项
- ✅ **并行支持**：内置多线程处理
- ✅ **精英保留**：确保优秀解不丢失

### 适用场景
- 参数空间复杂，需要探索多样性
- 对算法透明度要求高
- 需要精细调节进化策略

---

## 🔄 差分进化 (DE_optimize.py)

### 算法特点
- **向量差分变异**：基于种群差异生成新解
- **连续优化专家**：专为实数优化设计
- **自适应收敛**：自动调节搜索策略

### 配置参数
```python
self.population_size = 15        # 种群大小倍数(实际=15×6=90)
self.max_iterations = 50         # 最大迭代次数
self.mutation_factor = 0.7       # 变异因子[0.5, 2.0] 
self.crossover_prob = 0.9        # 交叉概率[0, 1]
self.tolerance = 1e-6            # 收敛容忍度
```

### 优势  
- ✅ **收敛快速**：通常比GA更快找到全局最优
- ✅ **参数少**：调节参数相对简单
- ✅ **数学严谨**：基于向量运算，理论基础扎实
- ✅ **内置精炼**：SciPy实现包含局部优化

### 适用场景
- 连续参数优化为主
- 对收敛速度要求高
- 喜欢简洁算法配置

---

## 📊 性能对比

| 特性 | 遗传算法(GA) | 差分进化(DE) |
|------|-------------|-------------|
| **收敛速度** | 中等 | 较快 |
| **参数调节** | 复杂(7个主要参数) | 简单(4个主要参数) |
| **种群大小** | 固定20个体 | 自适应(15×6=90个体) |
| **内存使用** | 较低 | 中等 |
| **算法透明** | 高(详细日志) | 中等 |
| **局部优化** | 无 | 有(内置polish) |
| **随机性** | 高 | 中等 |

## 🎯 优化目标对比

两种算法都优化相同的6维参数空间：

```python
参数维度：
- gru_weight: [0, 1]           # GRU模型权重
- tta_weights[0]: [0, 5]       # Original增强权重  
- tta_weights[1]: [0, 5]       # Noise增强权重
- tta_weights[2]: [0, 5]       # Scale增强权重
- tta_weights[3]: [0, 5]       # Shift增强权重
- tta_weights[4]: [0, 5]       # Smooth增强权重

目标函数：
minimize PER (Phoneme Error Rate)
```

## 🚀 使用建议

### 选择遗传算法(GA)的情况：
- 🔍 **探索阶段**：初次优化，需要探索参数空间
- ⚙️ **精细控制**：需要调节具体的进化策略
- 📈 **渐进改进**：可以接受较慢但稳定的优化过程
- 🧪 **实验研究**：需要分析优化过程的详细信息

### 选择差分进化(DE)的情况：
- ⚡ **快速收敛**：需要尽快找到优秀解
- 🎯 **精度优先**：追求最终解的质量
- 🔧 **简单配置**：希望算法参数调节简单
- 🏁 **生产应用**：追求稳定可靠的优化结果

## 📝 运行示例

### 运行遗传算法：
```bash
conda activate b2txt25
cd /root/autodl-tmp/nejm-brain-to-text/TTA-E
python GA_optimize.py
```

### 运行差分进化：
```bash
conda activate b2txt25  
cd /root/autodl-tmp/nejm-brain-to-text/TTA-E
python DE_optimize.py
```

## 📈 预期结果

### 遗传算法输出：
```
Generation 15
Best solution: GRU weight=0.989, TTA weights=[2.297, 1.438, 3.661, 2.911, 0.156]
Best fitness (negative PER): -10.130
Best PER: 10.130%
```

### 差分进化输出：
```
🎯 Eval 145: New best PER = 9.874%
   GRU weight = 0.8234, TTA weights = [1.892, 2.156, 3.445, 1.234, 0.891]
📊 Progress: 150 evaluations, Best PER = 9.874%
```

## 🔧 高级配置

### 并行运行对比：
可以同时运行两种算法，最后比较结果：

```bash
# 终端1：运行GA
python GA_optimize.py &

# 终端2：运行DE  
python DE_optimize.py &

# 等待两者完成，比较结果
```

### 结果分析：
优化完成后，检查生成的结果文件：
- `ga_optimization_result_YYYYMMDD_HHMMSS.pkl`
- `de_optimization_result_YYYYMMDD_HHMMSS.pkl`

选择PER最低的方案作为最终配置。

---

**建议**：对于TTA-E参数优化，推荐先使用**差分进化(DE)**快速找到优秀解，然后可选择性地使用**遗传算法(GA)**进行精细调节或验证结果的稳定性。