遗传算法中的最优种群大小，变异率和配合率

Question

我为比赛编写了一个游戏程序，它依赖于大约16个浮点“常量”。改变常数可以并将对比赛风格和成功率产生巨大影响。

我还编写了一个简单的遗传算法来生成常数的最佳值。但是，该算法不会生成“最佳”常数。

可能的原因：

• 算法有错误（暂时将其排除在外！）
• 人口很少
• 变异率很高
• 配合率可能更好

算法如下：

• 首先创建初始人口
• 分配每个成员的初始常量（基于我的偏差乘以0.75和1.25之间的随机因子）
• 每一代人都配对进行一场比赛
• 胜利者被克隆两次，如果抽签都克隆一次
• 如果random（）小于mutate rate
，则克隆会突变一个基因
• 突变将随机常数乘以0.75和1.25之间的随机因子
• 以固定的间隔，依赖于配偶率，成员配对并且基因混合

我目前的设置：

• 人口：40（至低）
• 突变率0.10（10％）
• 配对率0.20（每5代）

人口规模，变异率和配偶率的更好价值是什么？

欢迎猜测，不要求准确的值！ 此外，如果你有类似遗传算法的见解，你想分享，请这样做。

P.S。：有问题的比赛，如果有人有兴趣：http://ai-contest.com/

Answer 1

你的突变大小令人惊讶地高。其中还有一些固有的偏见 - 当前值越大，突变就越大。

您可以考虑

1. 有一个（很多！）较小的突变
2. 将变异赋予固定范围
3. 以不同方式分发您的突变大小 - 例如你可以使用平均值为1的正态分布。

R.A。 Fisher曾将突变大小与聚焦显微镜进行比较。如果改变焦点，可能会朝着正确的方向或错误的方向前进。但是，如果你非常接近最佳状态并且转动很多 - 要么你走向错误的方向，要么超过目标。因此，更微妙的调整通常更好！

Answer 2

使用GAUL框架，它非常简单，因此您可以提取目标函数以将其插入GAUL。如果你有一台多核机器，那么你需要在编译时使用omp（openMP）来并行化你的评估（我认为这是时间的消耗）。这样你就可以拥有更大的人口规模。 http://gaul.sourceforge.net/

通常他们使用高交叉和低突变。既然你想要创造力，我建议你高突变和低交叉。http://games.slashdot.org/story/10/11/02/0211249/Developing-emStarCraft-2em-Build-Orders-With-Genetic-Algorithms?from=rss

要非常小心你的突变功能以保持你的太空搜索（在0.75,1.25之内）。使用GAUL随机函数，例如random_double（min，max）。他们的设计非常好。建立自己的变异功能。确保父母去世！

然后你可能希望将它与GAUL中包含的单纯形（Nelder-Mead）结合起来，因为低交叉的遗传编程会找到一个非最佳解决方案。