遗传算法 - 子集和问题

Question

我必须做一个使用遗传算法解决子集和问题的项目。不幸的是，在对算法进行编码时，我发现了一个大问题......

我的算法：

• 只要找不到解决方案并且步骤数小于步骤数：
• 计算每条染色体的概率然后分布函数
• 执行选择（轮盘赌）
• 选择要交叉的n条染色体
• 执行交叉（交叉点随机选择）
• 选择m染色体进行突变
• 执行突变
• 如果找到解决方案，请停止

（算法取自“遗传算法+数据结构=进化程序，第2章”一书） 人口规模，数据量，数据收集范围，步数，突变数量（步骤），交叉数量（步骤）等变量在程序选项中严格设置。

问题是在群体中一定数量（相对较小）的步骤之后，所有染色体都是相同的。问题说明了这张图： http://imageshack.us/m/96/7693/wykresb.png

我做错了什么？怎么解决？ 提前谢谢。

修改

此处您可以从我的应用中找到日志： http://paste.pocoo.org/show/391318/

我认为轮盘赌不是最好的解决方案（如deong所说）。突变也需要改进。

Answer 1

这是（可能）问题。免责声明当然是你可能只有一个错误的程序。

轮盘赌选择非常糟糕。问题是在运行的早期，适应值的分布是随机的。你有一些糟糕的解决方案，有些是合理的，相比之下。你不希望它们中的任何一个非常好，但是你会期望它们中的一些 比其他的更好。

轮盘赌选择考虑概率的这些相对差异并放大它们。如果您的人口规模为100，并且一个人的健康状况比其他人高五倍，则会经常选择五次。通常具有较轻微的突变率，在两次重组选择同一个体，产生一些新的相同后代，进行非常小的变化（可能），然后将它们重新放入群体的情况下，您会很快结束。因为你还处于运行的早期阶段，大多数解决方案仍然很糟糕，所以你确实有一个高于平均水平的解决方案，你将它选择为五个高于平均水平的解决方案，培育它们以获得十个高于平均水平的解决方案，然后开始所有流程再次。如果你不是很谨慎地设计你的运算符，这些解决方案可以非常快速地接管整个人口，即使所有算法都知道它们比它看到的真正糟糕的解决方案更好。

解决方案是使用更好的选择运算符。二元锦标赛选择更快，更容易编码，并且应用更加可容忍的选择压力。还存在等级偏差的选择，其按比例选择健身等级而不是绝对差异。

修改：这并不是说无法使用比例选择。只是它很容易过早收敛并有效地使用它，你通常需要构建一整套操作符。

Answer 2

当应用遗传算法时，可能会发生算法陷入局部最优的情况。然而，人们对全局最优（或者更接近于这种最优）感兴趣。

可以通过以下方式避免本地最优：

• 更高的突变率
• 不同的交叉功能

此外，杀死克隆可能很有用。这意味着您在每次迭代后“快速”查看您的人口，并且不允许克隆。快速我的意思是你只是寻找近似的克隆，因为检查确切的克隆将需要O（m * n ^ 2），其中n是你的种群大小，m是染色体的大小。 这个方法帮助我解决了克隆人面临的另一个问题。

希望这有帮助， 基督教

修改

如果你能发布你的交叉功能也很好。最好不要作为代码，而是用简单的英文文本。交叉函数是遗传算法的关键部分。

Answer 3

之前我遇到过类似的问题，我希望它和你的问题一样

首先，您需要检查（使用任何测量指标）染色体A是否优于染色体B.这使您可以对您的人口染色体进行严格的排序，并能够对您的人群进行排序。

然后，当你产生一条新的染色体（通过突变或交叉）时，你可能会产生一个已经存在于你的人群中的染色体。请确保不要将其包含在人口列表中。

换句话说，确保您的列表始终包含不同的染色体，并始终从最佳到最差排序！

注意： 我使用的遗传算法通常是这样的（这是最常用的算法，也是最常用的算法）：

• 创建P不同的染色体和 将它们添加到列表Pop;
  1. while（未找到最佳解决方案＆amp;＆amp; number of iteration＆lt; LIM）
  2. 使用交叉，突变或任何其他方法创建新的染色体 方法;
  3. 将创建的染色体添加到列表Pop
  4. 对Pop列表进行排序（从最合适到最差）
  5. 选择第一个P不同的染色体并丢弃所有其他染色体 来自Pop。
  6. 结束时