遗传算法中竞赛选择的多次迭代

Question

嘿伙计们，我对比赛选择的多次迭代如何运作感到有点困惑。

我知道你开始选择随机对（或k成员）并将胜利者放入交配池。你继续这样做，直到交配池被填满。

但是，我不确定之后会发生什么。

我们是否只是开始随意交配交配池中的那些？然后通过选择新一代的随机对来重启选择过程？

感谢。

Answer 1

我写了很多这些通用算法，我做了一个框架，以避免一次又一次地编写相同的代码。

对于交配池，它取决于您正在寻找的个体类型，您正在寻找的解决方案，如果您有办法以某种方式组合个体，那么他们将有更好的机会生产更好的个人。

你可以使用随机交配，但这会给你“更糟糕”的解决方案 - 更糟糕的是因为你不知道他们是否会产生更好的个体。它仍然是很好的解决方案，当我开始编写这些算法时，我总是使用随机交配，但是在从2个旧的个体中获得一个新个体之后，我立即比较了3的性能，并且丢弃了更糟的，最终得到了有时2个父母（并丢弃1岁的孩子），或最终有1个父母和1个孩子。

但是要提高效率，如果你知道如何组合个体以便它们能够产生更好的解决方案（这可能非常棘手），你可以使用一个亲和功能，它需要2个人并返回一个亲和力他们。棘手的部分是确定亲和力。根据问题，它可能会有很大不同。例如，如果我采取旅行推销员的问题，我在与不太相似的个人交配时获得了最佳解决方案。所以我的亲和力函数返回1 - 相似性。

这样，我可以将迭代次数减少80％并获得非常好的解决方案。

但请记住，你的池越大，执行亲和功能的时间越长 - 亲和功能可以是O（n²），甚至是O（n³），在这种情况下它可能是瓶颈你的算法。在这种情况下，最好使用随机交配。

总之，随机交配是好的 - 毕竟，我们可以说它在现实生活中以这种方式运作 - 但如果你知道如何计算2个人之间的亲和力，你可以用它来减少迭代次数你需要获得一个好的解决方案。请记住，计算亲和力可能非常复杂（我甚至猜测计算给定池的最佳亲和力是NP-Complete）。

Answer 2

这不是一个好建议，但是......

  

但是，我不确定之后会发生什么。

做你想做的事。你可以改变它们......或者你可以交配你在锦标赛中挑选的每一对。使用最好的方法。要有创意。

正如本论坛上的其他人所指出的那样：关于GA的肮脏小秘密在于它更多的是艺术而非科学。

此外，要获得真正好的建议，您需要更好地描述您想要解决的问题。

Answer 3

传统上，在比赛获胜者被发现后，他们将成为下一代。在此循环后，所有突变，选择等过程都会继续。