优化遗传算法？

Question

我一直在玩遗传算法的并行处理以提高性能，但我想知道其他一些常用的技术是什么来优化遗传算法？

Answer 1

由于经常重新计算适应度值（随着算法运行，群体的多样性会减少），因此改善GA性能的良好策略是减少计算适应度所需的时间。

细节取决于实施，但以前计算的适应值通常可以 使用哈希表有效保存。这种优化可能会显着缩短计算时间（例如"IMPROVING GENETIC ALGORITHMS PERFORMANCE BY HASHING FITNESS VALUES" - RICHARD J. POVINELLI, XIN FENG报告对散列应用散列应用可以将复杂现实问题的性能提高50％以上。）

关键点是冲突管理：您可以简单地覆盖哈希表的现有元素或采用某种方案（例如线性探测）。

在后一种情况下，当安装冲突时，哈希表的效率会降低到线性搜索的效率。当累积冲突数超过散列表的大小时，应执行重新散列：您必须创建一个更大的散列表，并将较小的散列表中的元素复制到较大的散列表。

复制步骤可以省略：随着GA的运行，多样性会降低，因此不会使用许多被淘汰的元素，并且会快速重新计算最常用的染色体值（哈希表）将使用最常用的关键元素值填充。）

Answer 2

我做的一件事是限制适合度计算的数量。例如，在景观不嘈杂的情况下，即每次重新计算适应性将导致相同的答案时，不要重新计算简单地缓存答案。

另一种方法是使用内存运算符。操作员保持解决方案的“记忆”，并确保如果它优于人口中的最佳解决方案，那么该记忆中的最佳解决方案将包含在GA群体中。在GA运行期间，内存保持最新，并提供良好的解决方案。这种方法可以减少所需的适应度计算次数并提高性能。

我在这里有一些这样的例子：

http://johnnewcombe.net/blog/gaf-part-8/ http://johnnewcombe.net/blog/gaf-part-3/

Answer 3

这是一个非常广泛的问题；我建议为此使用R galgo软件包。