我目前编码遗传算法来解决可能被视为类似于knapsack problem的问题，但区别因素是我将物品存放在多个＆＃34;卡车＆＃34;及其价值上/重要性基于1 =最重要，3 =最不重要。
我是如何做到这一点的是一组二进制整数，0 =不在卡车上，1 =在卡车上。
在大多数情况下，该计划似乎正在做它需要做的事情。除了我在比较染色体以找到每一代最好的三个单独的染色体。个别是没有染色体可以包含相同的项目，因为该项目一次只能在一辆卡车上。
这是我用来比较染色体的功能：
private int[] getBestSolution(int count)
{
int[] Genes = new int[3];
int min1 = Global.p.population[0].fitness;
int min2 = Global.p.population[0].fitness;
int min3 = Global.p.population[0].fitness;
int ref1 = 0;
int ref2 = 0;
int ref3 = 0;
bool areSame = true;
//searches for the first "Fittest" chromosome and stores to ref1
for (int i = 0; i < Global.population; i++)
{
if (min1 > Global.p.population[i].fitness)
{
min1 = Global.p.population[i].fitness;
ref1 = i;
}
}
//searches for 2nd fittest, while also checking they are different
for (int i = 0; i < Global.population; i++)
{
areSame = arrayCompare(Global.p.population[ref1].chromosome, Global.p.population[i].chromosome);
if(areSame == true)
{
continue;
}
if (min2 > Global.p.population[i].fitness)
{
min2 = Global.p.population[i].fitness;
ref2 = i;
}
}
//Searches for 3rd fittest while checking that it is different from the first two
for (int i = 0; i < Global.population; i++)
{
areSame = arrayCompare(Global.p.population[ref1].chromosome, Global.p.population[i].chromosome);
if (areSame == true)
{
continue;
}
areSame = arrayCompare(Global.p.population[ref2].chromosome, Global.p.population[i].chromosome);
if(areSame == true)
{
continue;
}
if (min3 > Global.p.population[i].fitness)
{
min3 = Global.p.population[i].fitness;
ref3 = i;
}
}
//stores the reference of each chromosome and return
Genes[0] = ref1;
Genes[1] = ref2;
Genes[2] = ref3;
return Genes;
}
这是我用来比较染色体和以前选择的染色体的功能，以确保它们不含相同的值。
public bool arrayCompare(int[] a, int[] b)
{
for (int i = 0; i < a.Length; i++)
{
if ((a[i] == 1) && b[i] == 1)
{
return true;
}
}
return false;
}
我已经将它缩小到这两个函数，通过在代码的不同点使用断点并检查值与期望值之间的差异来导致问题。
最后，问题本身。 getBestSolution（）产生第一个＆＃34; fittest＆＃34;完美的价值。第二个和第三个值保持为初始化为＆＃34; population [0] .fitness＆＃34;那就显示出来了。
我试图改变育种结构，育种的选择标准，因为我认为如果没有含有不同值的染色体，它将保持初始化。由于同样的原因，我也使用较大的人群进行了测试，因此我认为他们的代码必须存在问题。
非常感谢任何帮助。
答案 0 :(得分：0)
您应该将min1，min2和min3初始化为高于健身最大值的值，因为Global.p.population[0].fitness是最佳健身状态在人口中，你永远不会找到第二和第三个最佳，因为在这种情况下，任何人的健康都不会低于Global.p.population[0].fitness。
我可能错了，但这是我对你描述的问题的理论。
在随机分布中，对于1个基因，两个个体的基因值总共有4种可能的组合。在这4种组合中，有3种，其中两个个体没有共同的基因集1。
Individual 1 Individual 2 Match criterion Probability
Combination 1: 0 0 Yes 25% |
Combination 2: 0 1 Yes 25% | 75%
Combination 3: 1 0 Yes 25% |
Combination 4: 1 1 No 25%
这意味着对于只有一个基因的个体，您有75％的机会找到符合该标准的两个个体。换句话说，如果你比较100个人的基因，你会发现平均75对符合标准的个体。但是会有一些你不会找到它们的人群，以及你会发现它们的大多数人口。
随着基因数量的增加，百分比下降。每次向染色体添加1个基因时，必须将符合标准的个体百分比乘以75/100。每次添加2个基因时，必须将百分比乘以56,25 / 100.
Number of genes percentage of individuals matching the criterion
1 75,00%
2 56,25% = 75,00 * 75,00 / 100
4 31,64% = 56,25 * 56,25 / 100
6 17,79% = 31,64 * 56,25 / 100
8 10,01% = 17,79 * 56,25 / 100
[...]
16 1%
这意味着对于16个基因的染色体和100个群体，您会发现平均1对符合该标准的个体。如果您希望3个人符合该标准，则该百分比甚至更小。对于6个基因，找到这3个个体的概率应该是1.5％左右。
所以问题在于，在人口中，没有足够的个体符合标准。
在您的算法中，您似乎将个人视为卡车。我会以另一种方式设计算法。
我会将一个基因视为物品的卡车编号，如果需要，0表示该物品没有指定卡车：
gene[0] = 1 (item 0 is in truck 1)
gene[1] = 0 (item 1 is not in any truck)
gene[2] = 3 (item 2 is in truck 3)
gene[3] = 2 (item 3 is in truck 2)
gene[4] = 1 (item 4 is in truck 1)
通过对信息进行编码，第二个和第三个最佳人可以在同一辆卡车上拥有一件物品，而不是最好的。例如：
first best individual:
----------------------
truck1: item1 item2
truck2: item3 item4
truck3: item5 item6 item7
not in any truck: item0
second best individual:
-----------------------
truck1: item1 item3
truck2: item2 item5
truck3: item4 item6
not in any truck: item0 item7
在此示例中，item1始终位于truck1中，而item6始终位于truck3中。
因此，有可能选择第二和第三好的个体而不比较基因，只需检查适合度。