一些遗传算法框架，例如http://www.aforgenet.com/需要很多参数，例如突变率、种群大小等
这些参数有通用的最佳数字吗？我相信这取决于问题（适应功能延迟、突变延迟、重组延迟、进化率等）。我的第一个想法是使用一个 GA 来配置另一个 GA。
有更好的想法吗？
问问题
13189 次
6 回答
18
我发现将这些问题视为一个景观是有帮助的，你试图找到最低点。
当景观太大而无法仅测试所有点时，使用遗传算法之类的方法，并且景观的“形状”使得梯度下降之类的方法会让你陷入局部最小值。
一个很好的例子是 Rastrigin 的函数（图像参考）：（
来源：science-computing.com）
：
您的选择是：
世代规模：
- 太大：您将有很长的纪元时间，限制了每个人探索其社区的机会。
- 太小：您无法很好地覆盖搜索空间。
突变率：
- 太高了：你冒着个人“跳过”他们接近的解决方案的风险。
- 太低：他们都会陷入局部最小值。
所以它确实取决于您自己的特定搜索空间。试验参数并尝试找到最佳组合。我同意使用另一个 GA 来优化参数并不能解决问题。
于 2009-07-02T21:50:00.073 回答
12
我觉得相当令人失望的是，有这么多答案假设您无法自动找到遗传算法的最佳参数。我同意参数确实取决于问题，但是有一些方法可以找到它们。
此外，没有免费午餐定理绝不会阻止您找到最佳参数，因为已经有讨论质疑这一事实：
有两种类型的参数设置：
- 参数调整（离线参数搜索 - 在运行 GA 之前）
- 参数控制（在线参数调整 - 在 GA 运行期间）
- 自适应
- 自适应
- 确定性
有很多文献描述了如何找到这些最佳参数，这取决于您是要离线还是在线进行参数搜索。普遍认为离线更适合大多数情况，因为在线参数控制方法会比离线增加太多复杂性。
以下是一些查找“最佳”参数的示例：
参数调整：
- 简单的参数扫描（尝试一切）
- GA之上的元GA
- 寻找最佳参数的赛车策略
- Meta-GA 和 Racing 一起
参数控制：
还有更多，只需使用上面使用的关键字搜索文献。有科学的方法可以为任何给定的问题找到合适的参数！
于 2014-01-14T17:06:01.860 回答
8
这并不容易。
为什么？因为没有免费午餐定理。这基本上表明没有通用的搜索算法适用于所有问题。
您能做的最好的事情就是针对特定问题空间定制搜索。您必须手动调整参数以适合您的解决方案。对不起。
使用 GA 查找 GA 参数变得复杂。您如何为 GAGA 搜索找到最佳参数？另一个GA...？
于 2009-07-02T22:39:34.013 回答
6
有一次我编写了一个遗传算法，我将这些值包含在要变异的值中，基本上就像你说的使用 GA 来配置自身。它工作得非常好，特别是因为我发现在计算过程中改变这些值是有益的。
于 2009-07-02T17:22:41.897 回答
4
对于给定的数据集，确实没有一种自动的方法可以做到这一点。如果有，他们不会公开这些参数。使用第二个 GA 来调整第一个 GA 的参数是危险的——您是否使用第三个 GA 来调整第二个 GA 的参数？即使你这样做了，这也是过度拟合的秘诀。
我的建议是使用参数，看看它们如何影响每一代的人口分布，需要多少代才能得到可接受的答案，等等。如果你有太多的突变，你的人口将永远不会稳定。太少了，你最终会出现同质化。
GA 的一个肮脏秘密是调整它们是一门艺术，而不是一门科学。
于 2009-07-02T17:32:08.093 回答
2
正如其他人所说，没有一个答案。尽管在 0.7-0.9 级别上使用交叉率和在 0.1-0.3 上使用突变率有一些趋势，但这确实取决于。取决于问题，可能取决于适应度函数，并且绝对取决于遗传算法本身。遗传算法有很多变体，同一问题的最优参数可能会有所不同。
至于使用 GA 来调整目标 GA 的参数，有类似的方法，但是，正如所指出的，如何调整第一个 GA 的参数？请记住，突变率在开始时可能应该更高，并且应该降低，而交叉率应该增加。这是探索与开发的问题。有一些方法可以让 GA 更具适应性，并让它在寻找解决方案时改变它的参数。模糊控制器有时用于操纵 GA 的参数。还有其他方法。
如果您想了解更多信息，请购买一些书籍，或查看学术研究论文。
如果您需要在没有大量研究的情况下设置自己的 GA，请尝试其他工作的一些值，并进行试验。
于 2009-11-04T19:55:30.167 回答