Question

我试图通过GA来解决问题并提出几个问题。

第一个问题是关于选择 - 我在许多实现中已经看到，根据得分/适合度先前选择对群体进行分类。真的有必要吗？例如，在锦标赛选择中，应该统一选择个人，因此排序似乎没有任何意义。或者让我们考虑选择轮盘赌轮。通过以下实现再次排序似乎是不必要的（伪代码）：

totalFitness = sum individuals i.fitness
rouletteValue = totalFitness * random 0.0 1.0
selected = null
i = 0;
while rouletteValue >= 0.0
  selected = individuals[i++]
  rouletteValue -= selected.fitness
return selected

那么选择人口进行选择真的有必要吗？

另一个问题是快速收敛：我尝试使用交叉概率为0.9的简单GA，突变概率0.01，群体大小30和初始群体包含非常好的解决方案＆＃39; （公知）。 Crossover总是生成两个子代，因此一次迭代如下（伪代码）：

for i = 0 to population-size
    mother = select-one population
    while father != mother
        father = select-one population
    if should-crossover crossover-probability
        (sister, brother) = apply-crossover mother father 
    else
        sister = copy mother 
        brother = copy father 
    if should-mutate mutation-probability
       apply-mutation sister
    if should-mutate mutation-probability
       apply-mutation brother
    insert-at new-population i sister
    insert-at new-population i+1 brother
    i = i + 2
swap new-population population

同样由于问题的本质，交叉几乎从未提供比父母更好的结果。

所以，粗略地说，发生的事情是因为“良好的解决方案”。比起初始人口中的任何其他解决方案要好得多，它被选择用于比其他个体更频繁的复制（假设有30个人的概率为0.1）。如果没有应用交叉（概率为0.1），那么“好的解决方案”就是一个很好的解决方案。被转移到新的人口中。因此，人口规模平均为30，因此跳过1.5对。因此，在15次迭代之后，跳过了22个交叉。现在作为一个好的解决方案＆＃39;选择概率为0.1然后在22次跳过交叉之后我会得到2个好的解决方案＆＃39;插入新的人口。在这种情况发生后，良好的解决方案＆＃39;扩散到快。

有没有办法克服这个问题？

Answer 1

关于收敛问题 - 从您描述的参数判断，您正在收敛到种子已知良好的解决方案，因为您的人口远远不够大。

假设您的其余人口是随机生成的，那么这29个人将拥有立即产生更适合的后代的任何成分的可能性非常低。因此，结合10％的无交叉机会，已知良好的个体将始终占据主导地位。

要通过GA生成比您已知商品更合适的个体，您需要显着增加人口，并且可能也会增加交叉概率。您可能还需要削弱选择算法，以防止任何单个强大的个体在任何给定的一代中支配再现周期。

简单GA非常快速收敛

1 个答案: