遗传算法 - 可变长度优化策略

Question

我有一个问题，我想用遗传算法（GA）来解决。您可以将其简化为以下问题：

我想优化公司的汽车池，这意味着汽车数量和汽车模型。我已经有了一个健身功能calcFitness(carList)来评估给定的设置，例如商务车，运输车＆＃39;或者“商务车，商务车，运输车”。现在，问题是，如何使用GA解决这个可变长度问题。

我有四个想法可以解决这些问题：

1. 也许以某种方式实现一个允许可变长度染色体的GA，并在一次运行中解决问题（不确定是否可能？）
2. 估算最大可行车数（例如20辆）并为每个车位号从1到20运行一个固定长度的GA并比较20个结果
3. 与＃2类似，但没有固定的上限：你从1辆车开始并增加插槽数量，直到增加数量的最佳解决方案比前面的解决方案更差（基于梯度的方法）
4. 两个堆叠的固定长度的GA：父母GA负责优化汽车插槽的数量，并且在其适应性功能中，另一个GA优化这些插槽的分配称为

您如何看待这些一般方法？对于这些可变长度的案例，还有其他任何想法或可能是GA的替代方案吗？

Answer 1

可变长度当然是可能的，而且似乎是这个问题最自然的表现。为什么会出现这个问题？唯一的重大区别在于交叉操作。虽然单点是微不足道的（你只需在a中选择一个点，b内的点，并自动获得一个可变长度的后代），但通常更好的是需要一些连续交叉更多直觉与可变长度。但是，这可以在完成单独测试之后实施。

准备好你的算法可能会发现染色体越好，它可以产生更好的结果（在某种情况下）。你不会像遗传编程那样获得指数膨胀（基因型是树而不是线性序列），但染色体长度仍然可能开始变得不舒服。您可能需要在健身功能中考虑到这一点，或者您可以通过拒绝超过某个限制的候选人来为＃2等解决方案建模。