我使用GenMatch在R中使用遗传匹配，以找到可比较的治疗组和对照组来估计治疗效果。匹配的默认代码如下所示：
GenMatch(Tr, X, BalanceMatrix=X, estimand="ATT", M=1, weights=NULL,
pop.size = 100, max.generations=100,...)
包中pop.size参数的描述是：
人口规模。这是genoud使用的人数 解决优化问题。证明遗传的定理 算法发现好的解决方案在种群规模上是渐近的。 因此，重要的是该值不小。见genoud 了解更多详情。
查看gnoud其他说明是：
......这个数字的值可以有几个限制 是。无论用户请求的人口规模如何，数量都是 自动调整以确定相关限制 很满意。这些限制源于所需要的 几个运营商。特别是运营商6（简单 Crossover）和8（Heuristic Crossover）需要偶数个 个人工作 - 即，他们需要两个父母。因此， pop.size变量和运算符集必须是这三个 运营商有很多人可以合作。如果这 没有发生，人口规模会自动增加，直到 满足这种约束。
我想知道gnoud（resp。GenMatch）如何合并种群大小参数。算法是否从群体中随机选择 n 个体进行优化？
我查看了包描述和源代码，但没有找到明确的答案。
答案 0 :(得分：0)
此处的“个人”一词不是指样本中的个体（即数据集中的个体单位），而是指遗传算法使用的虚拟个体。这些个体是要优化的一组变量的个体图。它们与您的样本无关。
遗传匹配的目标是为每个协变量选择一组缩放因子（return RefreshIndicator(
onRefresh: () {
setState(() {});
},
...
)
文档将其称为权重），以权衡该协变量在缩放的欧几里得距离匹配中的重要性。我不是遗传算法的专家，但是我对遗传算法的理解是，它对这些比例因子的最佳值进行了一系列猜测，从最佳标准的意义上保持了“做得最好”的猜测。 （由Matching中的fit.func确定），并创建新的猜测，作为对保留的猜测的轻微扰动。然后，它多次重复此过程，模拟自然选择如何优化生物的特征。每个猜测就是GenMatch()描述中“单个”一词的含义，它对应于算法每一代的猜测次数。
pop.size始终使用整个样本（除非您提供了卡尺，精确匹配要求或通用支持规则之类的限制）；它不会从样本中抽取单位来构成每个猜测（这就是其他机器学习环境中的包容）。
由于遗传算法本身是一个随机过程，因此结果将在很多次运行中发生变化。它可以渐近收敛于一个解，但是由于它是在块状表面上进行优化的，因此每次在具有有限代数和有限总体大小（即GenMatch()）的有限样本中每次都会找到不同的解。