我已经阅读了很多教程和论文，并且我理解了遗传算法的概念，但是我在Matlab中实现这个问题时遇到了一些问题。
总之，我有：
含有三个基因[a b c]的染色体，每个基因都受到一些不同的限制。
评估目标函数以找到最佳解决方案
我做了什么：
生成a，b和c的随机值，比如说20个种群。即
[a1 b1 c1] [a2 b2 c2] ...... [a20 b20 c20]
在每个解决方案中，我评估了目标函数，并将解决方案从最佳到最差排列。
我遇到的困难：
现在，我们为什么要选择交叉和变异？我发现最好的解决方案还不够吗？
我知道做交叉的概念（生成随机数，概率......等），但父母和他们中的多少人会被选中做交叉或变异？
我应该为整个20个解决方案（父母）或只有两个解决方案进行交叉吗？
答案 0 :(得分：0)
通常，遗传算法用于找到具有巨大搜索空间的问题的良好解决方案，其中找到绝对解决方案是非常困难或不可能的。显然，我不知道你的价值范围，但由于你只有三个基因，很可能通过遗传算法（或更简单的搜索策略）找到一个好的解决方案，而不需要任何额外的算子。选择和交叉通常在人群中的所有染色体上进行（尽管从每一代向前传播一些最好的情况并不罕见）。一般的想法是，更健康的染色体更容易被选择并相互交叉。
突变通常用于阻止遗传算法过早收敛于非最优解。您应该在没有突变的情况下分析结果，看看是否需要它。突变通常在每一代人的整个人群中进行，但概率非常小。给每个基因0.05％的机会它会发生变异并不少见。你通常想要给出很小的突变几率，而不会完全覆盖选择和交叉的结果。
正如我所建议的那样，我会对遗传算法进行更为一般的背景阅读，以便更好地理解其概念。
答案 1 :(得分：0)
在“ C ++中的实用神经网络食谱”一书中分享一些建议...第一次尝试时要大量使用大量的人口，这是一个好主意，然后您可能会包含有助于达成可接受解决方案的功能。后来人口较少的epoc会调整并结合或淘汰这些有利特征。
Handbook-Multiparent-Eiben似乎表明四个父母胜过两个父母。然而，床制造商还没有赶上这一步，似乎只生产单床和双人床。