什么是Crossover概率＆amp;遗传算法或遗传编程中的突变概率？有人可以从实施角度解释它们吗？
答案 0 :(得分：34)
突变概率（或比率）基本上是对染色体的随机元素将被翻译成其他东西的相似度的度量。例如，如果您的染色体编码为长度为100的二进制字符串，如果您有1％的突变概率，则意味着随机选取的100位（平均）中的1位将被翻转。
Crossover基本上模拟了性遗传重组（如在人类繁殖中），并且通常在GA中实施多种方式。有时在GA中适度交叉（因为它打破了对称性，这并不总是好的，你也可能会失明）所以我们谈论交叉概率来表示将有多少对夫妇的比例选择交配（他们通常按照以下选择标准挑选 - 但这是另一个故事）。
这是一个简短的故事 - 如果你想要长篇小说，你必须付出努力并按照Amber发布的链接。或者做一些谷歌搜索 - 我最后一次检查也是一个不错的选择：）
答案 1 :(得分：6)
根据Goldberg（搜索，优化和机器学习中的遗传算法），交叉的概率是在特定交配时发生交叉的概率;也就是说，并非所有交配都必须通过交叉重现，但可以选择Pc = 1.0。
突变的可能性是根据JohnIdol。
答案 2 :(得分：5)
它显示了在交叉中从父母继承的特征数量！
注意：如果交叉概率为100％，那么所有后代都是由交叉产生的。如果是0％，全新一代都是精确的 来自旧人群的染色体拷贝（但这并不意味着 新一代是一样的！）。
答案 3 :(得分：3)
这可能是对这两个概率的一个很好的解释：
http://www.optiwater.com/optiga/ga.html
Johnldol关于变异概率的答案正是网站所说的话：
“通过在0和1之间生成一个随机数来检查每个染色体中的每个位是否有可能的突变，如果这个数字小于或等于给定的突变概率，例如0.001，那么比特值就会改变。”
对于交叉概率，可能是由交叉操作产生的下一代人口的比率。而其他人口......可能是之前的选择 或者你可以把它定义为最合适的幸存者