我在理解进化算法时遇到了问题。我尝试过多次使用这种技术，但我总是遇到同样的问题：退化为模拟退火。
让我说我的初始人口，括号中的适应性，是：
A（7），B（9），C（14），D（19）
交配和变异后，我有以下孩子：AB（8.3），AC（12.2），AD（14.1），BC（11），BD（14.7），CD（17）
在消除最弱者之后，我们得到了A，AB，B，AC
下一回合，AB将在8附近再次交配，将AC推出。下一轮，再次AB，推出B（假设突变改变适应性大多在＆gt; 1范围内）。
现在，在仅仅几圈之后，游泳池就会填充最初最适合的候选人（A，B）和那两个人的突变（AB）。无论初始池的大小如何，都会发生这种情况，只需要更长的时间。比如说，初始人口为50，需要50匝，然后所有其他人都被淘汰，将整个设置转换为更复杂的模拟退火。在一开始我也与自己交配，使问题恶化。
所以，我错过了什么？我的变异率是否太小，如果我增加它会消失吗？
这是我用它的项目： http://stefan.schallerl.com/simuan-grid-grad/ 是的，代码是错误的，界面很糟糕，但我现在懒得修复它 - 小心，它可能会锁定你的浏览器。更好地使用chrome，甚至认为firefox一次不比chrome慢（可能跟踪图像比较得到回报，是的！）。如果有人有兴趣，the code can be found here。
这里我只是放弃了ev-alg的想法，然后去模拟退火。
ps：我甚至不确定模拟退火 - 就像进化算法一样，只有一个人口大小，对吗？
答案 0 :(得分：3)
你似乎正在做的是产生所有可能的后代，然后选择最适合的。这既效率低下（因为你产生的候选人多于你需要的人数），也会导致过早收敛。
相反，你应该生成足够的后代来替换下一代的人口。选择适当数量的候选人作为父母（有利于更健康的个人）然后如果你留下后代并丢弃父母，你应该拥有与你开始时相同数量的个体（暂时覆盖elitism） - 这是你的下一代。重复，直到满足终止条件。
前一段中的“偏袒钳工个人”资格是故意模糊的。您可以通过多种不同的方式进行选择。看来你选择的是最适合的人。这是截断选择。它对某些类型的问题才真正有效。因为你无情地剔除了较弱的个体，所以经常会导致过早收敛。
理想情况下，你想给一个较弱的个体一些生存的机会，因为如果与合适的伴侣配对或以正确的方式进行变异，它可能会产生适合的后代。这就是为什么大多数选择策略都是概率性的。例如，roulette wheel selection为每个人分配一个与其健康分数成比例的概率。所以更健康的人会更频繁地存活，但弱者仍然有一些小的机会。
选择通常是替换，因此对于给定的一代，同一个人可能被选择为父母不止一次。
另一种常用的选择策略是tournament selection。您可能对我撰写的描述different selection strategies and elitism的文档感兴趣。
答案 1 :(得分：1)
在进化算法中，您不一定要与其他人一起跨越人口中的每个人来生成更多的后代。有许多方法可以确定育种阶段的结果，但最基本的方法是采用所有元素的适应性，并使用它们作为权重随机选择每个成员的合作伙伴。这通常最终会导致下一代具有与前一群体相同数量的成员，尽管一些交配方案最终会有更多（基于对手头问题的某种推理）并切断最低值（对于某种类型而言）域特定推理）。对于大多数问题，你也会抛弃上一代。
此外，您的健康需要由复制的目标决定，并且对于每个场景充分推导可能非常具有挑战性。