阅读David E. Goldberg撰写的“遗传算法”一书，他提到遗传算法中的适应度缩放。
我对这个功能的理解是限制最强的候选人，这样他们就不会涌入游泳池进行繁殖。
为什么要限制最佳候选人？在我看来，尽可能早地让尽可能多的候选人尽可能快地找到最佳解决方案。
答案 0 :(得分：4)
如果你的早期最佳候选人后来变成了进化的死胡同怎么办？比如说，你最适合的候选人是那些在较小的，较弱的候选人中占主导地位的强大的代理人。如果所有较弱的那些都被淘汰了，那么你就会被大型野兽所困扰，这些野兽可能对环境的一个方面存在弱点，而弱小的那些人还没有遇到这种情况：想想恐龙与小型哺乳动物的关系小行星撞击。或者，在一个更确定的环境中，更有可能是GA的情况，较弱的候选人可能是一个或少量的进化步骤，远离探索健身景观的一个全新的富有成效的部分：想象弱小的小动物进化飞行，开辟了一个全新的可能性，让大野兽最有可能永远无法触及。
潜在的问题是，你早期最强的候选人实际上可能在健身空间的本地最大中或附近，这可能很难实现。可能是较弱的候选人实际上更接近全球最大值。
无论如何，通过积极地修剪你的人口，你可以减少你的人口的遗传多样性，这通常会减少你所覆盖的搜索空间，并限制你搜索这个空间的速度。例如，也许你最好的候选人 相对接近全球最佳解决方案，但只是近亲繁殖该群体可能不会更接近它，你可能不得不等待足够的随机正面突变发生。然而，也许你想要削减的一个弱势候选人有一些基因本身并没有多大帮助，但是当与你的强大候选人的基因杂交时，可能会引起巨大的进化跳跃！想象一下，人类与蜘蛛DNA交叉。
答案 1 :(得分：3)
@ sgvd的回答是有效的，但我想详细说明。
首先，我们需要定义健身缩放的实际含义。如果这意味着只是将拟合度乘以某个因子，则不改变群体中的关系 - 如果最佳个体的适应度比最差个体高10倍，则在这种乘法之后这仍然是正确的（除非你乘以零，这没有任何意义）。因此，更合理的适应度缩放是适应度值的仿射变换：
scaled(f) = a * f + b
即。这些值乘以某个数字和偏移另一个数字，向上或向下。
健身缩放只对某些类型的选择策略有意义，即选择概率与个体 1 的适应度成正比的那些。
健身缩放实际上扮演两个角色。第一个仅仅是实用的 - 如果你想要一个概率与健康成正比，你需要适应性是积极的。因此，如果您的原始适应值可能为负值（但受限于下方），则可以对其进行调整，以便计算出其中的概率。 示例：如果您的适应度给出范围[-10,10]中的值，则只需将10加到值即可获得所有正值。
第二个角色是，正如您和@sgvd已经提到的那样，限制最强解决方案的能力来压倒弱势解决方案。最好的例子就是一个例子。
假设您的原始适应度值给出范围[0,100]的值。如果你这样离开，那么最差的人将被选中的概率为零，而最好的人的概率比最差的人高100倍（不包括真正最差的人）。但是，我们将缩放系数设置为a = 1/2, b = 50。然后，范围转换为[50,100]。马上就会发生两件事：
通过设置缩放因子，您可以控制算法是否会对利用进行更多探索，反之亦然。在缩放之后，这些值将更加“压缩” 2 ，将进行更多的探索（因为与最差的个体相比，选择最佳个体的可能性将降低） 。反之亦然，“扩展” 2 的价值越多，开发就越多（因为与最差的个体相比，选择最佳个体的可能性会增加）。
正如我在开始时所写的那样，适应性缩放仅对选择策略有意义，这些选择策略从适应度值中成比例地导出选择概率。但是，有其他选择策略不能像这样工作。
排名选择
排名选择与轮盘赌选择相同，但概率来源的数字不是原始适应值。相反，整个总体按原始适应度值排序，并且排名（即排序列表中的位置）是您从中获得选择概率的数字。
当有一个或两个“大”个体和许多“小”个体时，这完全消除了差异。他们只会被排名。
锦标赛选择
在这种类型的选择中，您根本不需要知道绝对适应度值，您只需要能够比较其中两个并告诉哪个更好。要使用锦标赛选择选择一个人，您可以从人口中随机选择一些人（这个数字是一个参数），然后选择其中最好的一个。只要你选择了足够多的人，你就重复一遍。
在这里，您还可以根据锦标赛的规模控制探索与开拓事项 - 锦标赛越大，最佳人选参加锦标赛的机会就越高。
1 这种选择策略的一个例子是经典的轮盘赌选择。在这种选择策略中，每个人都有自己的轮盘赌部分，其大小与特定个人的健康状况成比例。
2 假设原始值为正，则缩放值会在a下降到零并且b上升时被压缩。扩张则相反。