如何找到遗传算法的最佳参数？

Question

某些遗传算法框架，例如http://www.aforgenet.com/需要许多参数，例如突变率，种群大小等。

这些参数有通用的最佳数字吗？我认为这取决于问题（适应度函数延迟，突变延迟，重组延迟，进化速率等）。我的第一个想法是使用GA来配置另一个GA。

有更好的想法吗？

Answer 1

我发现将这些问题视为一种景观有助于您找到最低点。

当景观太大而无法测试所有点时，使用遗传算法等方法，并且景观的“形状”使得像渐变下降的方法会让你陷入局部最小值。

一个很好的例子是Rastrigin的功能（image ref）： ：

您的选择是：

代数：

• 太大了：你会有一个 漫长的时代，限制了多少 每个人都有机会 探索它的邻居。
• 太小：你没有变好 覆盖搜索空间。

突变率：

• 太高：你冒着个人风险 “跳过”他们的解决方案 相近。
• 太低了：他们都会得到 卡在当地最低点。

所以它确实取决于您自己的特定搜索空间。试验参数并尝试找到最佳组合。我同意使用另一个GA来优化参数并不能解决问题。

Answer 2

我觉得相当令人失望的是，有很多答案假设你无法自动找到遗传算法的最佳参数。 我同意参数确实取决于问题，但是有一些方法可以找到它们。

此外，No Free Lunch Theorem绝不会阻止您找到最佳参数，因为已经有讨论对此事提出异议：

• Practically it does not hold
• Description length may dispute the theorem
• Coevolution can make the theorem irrelevant

参数设置有两种类型：

• 参数调整（离线参数搜索 - 运行GA之前）
• 参数控制（在线参数调整 - 在GA运行期间）
  • 自适应
  • 自适应
  • 确定性

有很多文献描述了如何找到这些最佳参数，这取决于您是想要离线还是在线进行参数搜索。流行的观点是离线更适合大多数情况，因为在线参数控制方法会增加离线的复杂性。

以下是一些查找“最佳”参数的示例：

参数调整：

• 简单参数扫描（尝试一切）
• GA的Meta-GA ontop
• Racing strategy找到最佳参数
• Meta-GA and Racing together

参数控制：

• Adaptive probabilities for mutation and crossover
• Self adaptive popuation size
• Deterministic Genetic Operators

还有更多，只需使用上面使用的关键字搜索文献。有科学的方法可以找到任何给定问题的合适参数！

Answer 3

这并不容易。

为什么呢？由于No Free Lunch定理。这基本上表明没有一般搜索算法适用于所有问题。

您可以做的最好的事情是定制搜索特定问题空间。您必须手动调整参数以适合您的解决方案。遗憾。

使用GA查找GA参数变得复杂。您如何找到GAGA搜索的最佳参数？另一个GA ......？

Answer 4

有一次我编写了一个遗传算法，我将这些值包含在值中进行变异，基本上就像你说用GA来配置自己一样。它的效果非常好，特别是因为我发现在计算过程中改变这些值是有益的。

Answer 5

对于给定的数据集，实际上没有自动的方法。如果有，他们不会暴露这些参数。使用第二个GA来调整第一个GA的参数是危险的 - 您是否使用第三个GA来调整第二个GA的参数？即使你这样做，它仍然是过度拟合的秘诀。

我的建议是参与参数，看看它们如何影响每一代的人口分布，获得可接受的答案需要多少代，等等。如果你有太多的突变，你的人口永远不会稳定。太少了，你最终会有同质性。

这是GAs的一个肮脏秘密，调整它们是一门艺术，而不是一门科学。

Answer 6

正如其他人所说，没有人回答。虽然有一些趋势，在0.7-0.9的水平上使用交叉率，在0.1-0.3上使用突变，这实际上取决于。取决于问题，可能取决于适应度函数，而且肯定取决于遗传算法本身。 GA存在许多变化，同一问题的最佳参数可能会有所不同。

至于使用GA来调整目标GA的参数有类似的方法，但正如所指出的，如何调整第一个GA的参数？请记住，突变率可能在开始时应该更高，而应该在应该减少的同时应该增加突变率。这是探索与剥削的问题。有一些方法可以让GA更具适应性，让它在寻找解决方案时改变其参数。模糊控制器有时用于操纵GA的参数。还有其他方法。

如果您想了解更多信息，请购买一些书籍，或浏览学术研究论文 如果您需要在没有广泛研究的情况下设置自己的GA，请尝试其他工作中的一些值，并进行实验。