遗传算法 - 新一代越来越差

Question

我已经实现了一个简单的遗传算法来生成基于Aesop寓言的短篇小说。 以下是我正在使用的参数：

突变：单字交换突变，测试率为0.01。

Crossover ：在给定点交换故事句子。率 - 0.7

选择：轮盘赌选择 - https://stackoverflow.com/a/5315710/536474

健身功能：3种不同的功能。每个人的最高得分是1.0。所以最高健康分数是3.0。

人口规模：由于我使用了86个Aesop寓言，我测试了人口规模为50。

初始人口：所有86个寓言句子都被洗牌，以便完全废话。我的目标是从这些结构丢失的寓言中产生一些有意义的东西（至少在一定程度上）。

停止条件：3000代。 结果如下：

但是，这仍然没有产生有利的结果。我期待着几代人的情节。为什么我的GA表现更差的结果呢？

更新：正如大家所建议的那样，我已经将当前一代的10％的精英主义复制到了下一代。结果仍然保持不变：

我可能应该选择锦标赛。

Answer 1

以上所有回复都很棒，我会调查一下。我会添加我的想法。

<强>突变

你的突变率似乎很好，尽管遗传算法突变率如果不正确会引起很多问题。我确保你要测试很多其他值才能确定。

对于突变，我可以使用两种类型的突变。一个用你的字典替换其他单词，一个用一个句子替换两个单词。这将鼓励整个人口多样化，并改变话语。

<强>交叉

我并不确切知道你是如何实现这一点的，但在这种情况下，单点交叉看起来并不是那么有效。我试着实现一个n点交叉，这样可以更好地改变你的句子。同样，我不确定它是如何实现的，但只是交换可能不是最好的解决方案。例如，如果一个单词位于第一个点，它是否有任何方式可以移动到另一个位置，或者它是否始终是第一个单词，如果它是通过选择选择的？

如果单词顺序对您选择的问题很重要，简单的交叉可能并不理想。

<强>选择

同样，这似乎很好，但我确保你测试其他选项。在过去，我发现基于排名的轮盘选择更加成功。

<强>健身

在任何遗传算法中，这始终是最重要的考虑因素，而且你遇到问题的复杂性，我会更加确定它是否有效。您是否测试过它与已知的“已知”相关问题

人口规模

您的价值似乎很小但我已经看到遗传算法在小群体中成功运作。尽管如此，我还是会尝试更多的人群，看看你的结果是否更好。

到目前为止，最受欢迎的建议是实施精英主义，我绝对推荐它。它不一定非常多，甚至只是每一代染色体中最好的一对（尽管和其他一切一样，我会尝试不同的值）。

另一个有时有用的操作符是剔除。摧毁一部分最弱的染色体，或一条与其他染色体相似的染色体，或用新的染色体代替染色体。这应该有助于阻止您的人群过去＆＃39;陈旧，从您的图表看起来可能正在发生。突变只会使人口多样化。

Answer 2

你可能正在失去最好的组合，你应该保持每一代人的最佳状态而不穿越（精英）。此外，您的功能似乎相当稳定，尝试其他类型的突变，这应该改善。

Answer 3

将5％到10％的人口减少为精英，这样你就不会失去最好的人数。

确保您的选择过程设置得很好，如果不好的候选人经常会经过它会破坏您的进化。 你可能也陷入局部最优，你可能需要在你的基因组中引入其他东西，否则你不会走得太远。

移动句子和单词不会让你走得太远，引入新的句子或单词可能会很有趣。

如果您将故事视为点x，y并将您的评估函数视为f（x，y），并且您尝试找到f（x，y）的最大值，但是您的变异和交叉 - 仅限于x - > y，y - ＆gt; y，你不会走得太远是有意义的。当然，在您的问题中存在更多变量，但如果没有引入新的东西，我认为您不能避免局部性。

Answer 4

正如@GettnDer所说，精英主义可能会有很多帮助。

我建议使用不同的选择策略。轮盘赌选择有一个大问题：想象一下最好的独立性健身是例如所有适合度总和的90％。然后轮盘赌轮不太可能选择其他人（参见例如here）。我最喜欢的选择策略是tournament selection。它对健身值的巨大差异更加稳健，并且可以非常容易地控制选择压力。

新奇搜索

我也试试Novelty Search。这是进化计算中相对较新的方法，你不是根据实际的适应度进行选择，而是基于新颖性，它应该是个体在行为方面不同的一些指标。其他人（但你仍然计算出抓住好人的适合度）。特别感兴趣的可能是经典健身驱动算法和新奇驱动算法的组合，如J.-B的this one。穆雷。

Answer 5

使用遗传算法时，为了反映优化过程中的实际知识，构建染色体是一种很好的做法。

在您的情况下，由于您打算生成由句子组成的故事，如果您将染色体转换为结构化短语，行<adjectives>* <subject> <verb> <object>* <adverbs>*（此处大量简化），它可以改善您的结果。

然后可以为每个单词分配一个类。例如，Fox = subject，Looks = verb，grapes = object，然后你的交叉运算符将在染色体之间交换相同类别的元素。此外，您的变异运算符只能插入适当类别的新元素（例如，主语前的形容词）或替换同一类别中的随机单词。

通过这种方式，您可以最大限度地减少无意义染色体的数量（如 Fox美丽的葡萄日天空），并提高GA的话语生成能力。

此外，我同意之前的所有评论：如果你使用精英主义并且最佳表现减少，那么你的错误实施（注意在病态情况下它可能会在很长一段时间内保持不变）。

我希望它有所帮助。