缺乏多样化，遗传算法真的是一个缺点吗？

Question

我们知道遗传算法（或进化计算）可以对解空间Ω中的点进行编码，而不是直接对这些点进行编码。在文献中，我们经常发现GAs具有以下缺点：（1）由于许多染色体被编码成相似的Ω点或相似的染色体具有非常不同的点，因此效率相当低。你认为这真的是一个缺点吗？因为这些算法在每次迭代中使用变异算子来使候选解决方案多样化。为了增加更多的多样性，我们只需增加交叉的概率。我们不能忘记，我们的初始种群（染色体）是随机产生的（另一种更多样化）。问题是，如果你认为（1）是GA的缺点，你能提供更多细节吗？谢谢。

Answer 1

突变和随机初始化不足以解决被称为遗传漂移的问题，这是遗传算法的主要问题。遗传漂变意味着遗传算法可能很快失去其大部分遗传多样性，并且搜索以不利于交叉的方式进行。这是因为随机初始种群快速收敛。突变是一个不同的东西，如果它很高，它会变得多样化，真实，但同时它会阻止收敛，并且解决方案将以更高的概率保持在一定距离到最佳状态。您需要在搜索过程中调整变异概率（而不是交叉概率）。以类似的方式，类似于GA的进化策略在搜索期间调整突变强度。

我们开发了GA的变体，称为OffspringSelection GA（OSGA），它在交叉之后引入了另一个选择步骤。只接受那些超过父母健康的孩子（更好，更差或任何线性插值）。这样你甚至可以使用随机的父选择，并对后代的质量产生偏差。已经表明，这减缓了遗传漂变。该算法在我们的框架HeuristicLab中实现。它具有GUI，因此您可以下载并尝试解决一些问题。

其他抵抗遗传漂移的技术是小生境和拥挤，让多样性流入选择，从而引入另一种但可能不同的偏见。

编辑：我想补充一点，拥有多个质量相同的解决方案的情况当然会造成问题，因为它会在搜索空间中创建中性区域。但是，我认为你并不是那个意思。主要问题是遗传漂移，即。 （重要的）遗传信息的丢失。

Answer 2

作为旁注，你（OP）说：

  

我们知道遗传算法（或进化计算）可以对解空间Ω中的点进行编码，而不是直接对这些点进行编码。

这并非总是如此。个体被编码为基因型，其可以具有任何形状，例如字符串（遗传算法）或真实的矢量（进化策略）。在评估个体时，即当计算其适合度<>时，将每种基因型转化为表型。在某些情况下，表型与基因型相同：它被称为直接编码。否则，编码称为间接。 （您可以找到更多定义here (section 2.2.1)）

直接编码示例： http://en.wikipedia.org/wiki/Neuroevolution#Direct_and_Indirect_Encoding_of_Networks

间接编码示例：
假设您想要根据长度，高度和宽度优化长方体的大小。为了简化示例，假设这三个量是0到15之间的整数。然后我们可以使用4位二进制数来描述它们。潜在解决方案的示例可以是基因型0001 0111 01010.相应的表型是长度1，高度7和宽度10的平行六面体。

现在回到关于多样性的原始问题，除了DonAndre所说的你可以阅读的内容之外，你还可以阅读由AE写的优秀书籍Introduction to Evolutionary Computing的第9章“多模态问题和空间分布”艾宾和杰克史密斯。以及关于这个问题的研究论文，如Encouraging Behavioral Diversity in Evolutionary Robotics: an Empirical Study。 总之，多样性不是GA的缺点，它只是一个问题。