Question

我正在编写一种在锦标赛选择中使用健身共享的遗传算法。在我发现的所有相关文献中（Sareni for example），提到解决方案自身的适应度（Fi）应该除以其生态位距离（Mi）的总和。

我不明白的是，由于我们正在优化多个目标，因此每个解决方案都具有多个适应性。什么是它的'健身'Fi？我应该把它视为所有健身的倍增吗？

例如，在我写的代码中（处理）：

float sharedFitnessA = (a.f2*a.f3) / nicheCountA;

感谢

名词

Answer 1

对于多目标优化，健身共享的目标（将人口分布在搜索空间中的多个不同峰值上，每个峰值接收一小部分人口与峰值的高度成比例）经常以不同的方式进行。

当两个候选人要么被统治者要么两者都不被支配时（所以很可能他们处于相同的等价阶级），利用小数Mi来选择“最适合”的候选人。

E.g。

^{（这里沿x轴最大化并在y轴上最小化）}

候选人不受比较集的支配。从帕累托的观点来看，两者都不是首选。使用Mi我们选择Candidate2（最小的利基数，因此其利基中的个体数量最少）。

这称为等价类共享，它不是基于适应性退化（即Fi / Mi），但无论如何都保持前沿的多样性。

有关详细信息，请查看Jeffrey Horn和Nicholas Nafpliotis撰写的Multiobjective Optimization Using the Niched Pareto Genetic Algorithm（其中还包含一些实施细节）。