我有一个关于遗传算法突变的抽象问题。我没有包含任何代码片段来独立于编码环境提出我的问题。
我正在编写遗传算法代码，但我不知道如何实现变异。假设一个将要变异的后代是一个像10110011110101000111这样的长度为20的字符串。
突变必须以非常小的概率进行，例如0.001。我们产生一个介于0和1之间的随机数，然后我们决定是否应该改变后代。我的问题是，我们必须生成20个随机数，并为这个后代的每20位做出有关变异的决定吗？或者我们必须为整个后代只生成一个随机数并随机切换一下？
换句话说，后代中的每个位是否有机会根据生成的随机数进行变异，或者只有一位有可能发生突变？
答案 0 :(得分：2)
“传统上”变异率pmutation（David E Goldberg的“搜索，优化和机器学习中的遗传算法”）是衡量染色体的随机元素将被翻译成其他东西的相似度（你的“选项1”）。
即。如果你的染色体被编码为长度为1000且pmutation为1％（0.01）的二进制字符串，则意味着1000个（平均）中的10个将被翻转。
尽管可以避免很多随机数生成决定何时应该发生下一个突变（而不是每次都调用RNG），但实现起来有点复杂。为了避免复杂的细节，许多实现都使用“选项2”。
考虑一下，如果L是二进制染色体的长度：
1/L通常被认为是一种很好的突变率（例如H. Muehlenbein的“遗传算法如何真正起作用：突变和爬山”）。1/L是标准，而您的“选项2”会出现一些问题。“选项1”更灵活，跟随rule of least surprise，所以缺少其他细节，我会选择它。