Question

我正在尝试实现遗传算法以最大化n个变量的函数。然而问题是健身值可能是负的，我不确定如何在做选择时处理负值。我读过这篇文章Linear fitness scaling in Genetic Algorithm produces negative fitness values 但我不清楚如何处理负适应值以及如何计算比例因子a和b。

另外，从文章中我知道轮盘赌选择仅适用于积极适应值。锦标赛的选择也一样吗？

Answer 1

如果您有负值，您可以尝试在人口中找到最小的适应值，并将其与每个值相反。这样您就不会有负值，而适应值之间的差异将保持不变。

Answer 2

锦标赛选择不受此问题的影响。它只是比较群体大小为n的均匀采样子集的适应度值，并采用具有最佳值的那个。当然，这意味着，如果您在不重复的情况下进行采样，那么最糟糕的n-1个体将永远不会被选中。如果你重复抽样，他们有机会被选中。

与比例选择一样：它不适用于负适应值。您只能对您的健身值应用“窗口”或“缩放”，在这种情况下它们会再次起作用。

我曾经编写了一些sampling methods作为C＃的IEnumerable的扩展方法，其中包括SampleProportional和SampleProportionalWithoutRepetition扩展方法。他们是GPL许可下的HeuristicLab的一部分。

Answer 3

好的，答案来晚了，但是仍然有人可以用谷歌搜索它。

首先-是的，您可以使用负适应性。但我完全建议您不要这样做，因为我这样做了，并且遇到了很多问题（仍然可行，但完全不建议这样做）。所以这是解释：

假设您有N个生物种群。经过模拟，它们都具有一些适应度值f（n），其中f（n）是适应度，n是生物编号。此后，您需要建立一些概率分布来确定应该杀死哪些生物（当然，您可以删除40％的最差生物，但是如果使用分布会更好）。您如何建立这样的分布？假设f（a）= 50，而f（b）= 100，那么生物b比生物a好2倍，因此您可能想使生物a的存活概率是生物b的2倍（如果适应度值是线性的，则非常有意义）。如果您想知道如何做：

让我们说sum（f（n））是所有适应度值的和。然后生物a的生存概率p（a）为：

p（a）= f（a）/ sum（f（n））

这可以解决问题。

但是现在让我们允许负面适应。假设f（a）= 50，f（b）= 100，f（c）= -1000。 b再次比a好2倍，这是有道理的，但是它比c好-10倍？没道理上面的绅士建议您增加最差健身价值的对立面，这可以“解决”您的情况，但实际上不能（我之前犯过同样的错误）。好吧，让我们将1000设置为所有适应度值：

f（a）= 1050，f（b）= 1100，f（c）= 0，所以c的生存概率现在为零，好的，我们可以接受它。但是，让我们现在比较一下a和b：

b比现在好1.05，这意味着a和b的适应度几乎相同，这是完全不可接受的，因为它显然比a好2倍（当然，适应度是线性的，但这也会弄乱非线性适应度！）您无法逃脱这个问题，它会一直困扰您，因为概率不可能为负，因此您可以从进化中消除概率（这不是一件好事），也可以做一些例外，技巧。

由于在我的场景中消除负面适应能力为时已晚，因此，我采取以下方法来解决问题：

再次，您有N个生物种群。说neg（N）会给您所有否定适应性生物和pos（N）积极适应性生物（这是您要求使零为负或为正，在这种情况下没有关系）。假设您需要D个生物死亡。现在，这就是窍门：

f（c）（c是pos生物）值越高，生物越好，因此我们可以使用其适应性来确定生存的可能性。但是f（m）越低（负值越大）（m是负生物），则生物越差，因此我们可以使用其适应性来确定死亡的可能性。

现在，如果D> neg（N），则所有neg（N）将死亡，而pos（N）的（D-neg（N））将基于所有正生物适应性（概率）使用概率分布而死亡。生存概率p（a）= f（a）/ sum（pos（n）））。但是，如果D 死亡的概率p（a）= f（a）/ sum（neg（n））（f（a）为负，但sum（neg（n））也为负，因此概率为正。）

Answer 4

我知道这个问题已经存在很长时间了，但是如果新手想知道处理负值的最佳方法，那么您的问题就很少了。这是它的代码。

from numpy import min, sum, ptp, array 
from numpy.random import uniform 

list_fitness1 = array([-12, -45, 0, 72.1, -32.3])
list_fitness2 = array([0.5, 6.32, 988.2, 1.23])

def get_index_roulette_wheel_selection(list_fitness=None):
    """ It can handle negative also. Make sure your list fitness is 1D-numpy array"""
    scaled_fitness = (list_fitness - min(list_fitness)) / ptp(list_fitness)
    minimized_fitness = 1.0 - scaled_fitness
    total_sum = sum(minimized_fitness)
    r = uniform(low=0, high=total_sum)
    for idx, f in enumerate(minimized_fitness):
        r = r + f
        if r > total_sum:
            return idx

get_index_roulette_wheel_selection(list_fitness1)
get_index_roulette_wheel_selection(list_fitness2)

确保您的健康列表是一维数字数组
将适应度列表缩放到[0，1]范围
将最大问题转换为最小问题1.0-scaled_fitness_list
随机分配一个介于0和和之间的数字（minimizzed_fitness_list）
在最小适合度列表中保留添加元素，直到获得大于总和的值
您可以看到适应度是否较小->在minimumed_fitness中具有较大的值->它具有更大的机会添加和使该值大于总和。

Answer 5

我认为人们遇到的主要问题是他们对健身得分的处理不当。让我们考虑一个适合性示例，例如，运送冷冻食品的卡车内部的温度。卡车的内部温度应为-2 C ...但也应为28.4F。相对于保持冷冻的食物，它们的精确度相同，但是2 * -2 = -4，而2 * 28.4为56.8。 “再冷两次”在这里实际上没有任何意义（-4 C！= 14.2 F）。健身得分也一样。

在Volot's example中为-1000的情况下，实际上50和100之间的差比较小：重要的是，您必须选择-1000中的一个或两个，而您肯定会选择如果您只从所有内容中减去-1000，该怎么办。假设下一代儿童的健身得分可能分别为50、100、200和10。现在，50和100之间的差异更加明显，而50的被选择的机会要低得多。请记住，遗传算法是迭代的。这也让我想起了一句俗语：您不必比熊跑得快就可以逃脱。您只需要比旁边的家伙跑得快。 50只需要超过-1000才能存活以繁殖。

也可以避免减去最小值导致0的问题。在估计概率分布时，人们将在每个（已知）可能的结果中添加1次出现，因此仍会捕获到极为罕见的事件。健身分数会变得有些棘手。您不能只添加1。如果您的健身得分为0.01、0.02和-0.01怎么办？ 1.03、1.02和1.00会导致选择较低的相对适应度。您可以改为将最低的非零值添加到所有内容，从而得出0.04、0.05和0.02。在-1000的情况下，结果为2150、2100和1050（因此，以前为0的所有内容始终是次最低适应性的一半）

不过，为了使事情与最典型的GA采样方法尽可能一致，我将只减去最小值，然后在出现负值时以少量适应度加回来。当一切都是好的时候，没有理由这样做。

遗传算法处理负健身值

5 个答案: