我承担了使用遗传算法创建数独求解器的任务。
初始化：将给定值存储在每个染色体中，然后随机生成值，使得每一行都是值 1 到 9 的有效排列。
适合度：由每行、列和方格中的“不合适”值的数量相加确定。
健身功能：典型的轮盘选择
选择：随机，但使用轮盘赌轮盘加权。
Crossover：从两个父母中随机选择不同的行，创建一个孩子。（我还实现了一个交叉，一次从两个父母中随机选择 3 行 - 以保持良好的迷你网格）。以下是两个示例子项，每个子项来自每个交叉方法：
Parent 1 row 1
Parent 2 row 2
Parent 1 row 3
Parent 2 row 4
Parent 1 row 5
Parent 2 row 6
Parent 2 row 7
Parent 1 row 8
Parent 1 row 9
Parent 1 row 1
Parent 1 row 2
Parent 1 row 3
Parent 2 row 4
Parent 2 row 5
Parent 2 row 6
Parent 1 row 7
Parent 1 row 8
Parent 1 row 9
突变：最初我只是在两个随机位置交换值，但这实际上使算法变得更糟，因为它在行中引入了重复，这些行是有效的排列。所以我改变了突变（当突变的机会在 25% - 50% 范围内时，这似乎表现最好）随机选择一行，然后随机化该行的顺序（将给定值保留在正确的位置） .
我还尝试了一个突变，它选择一个随机行，然后在该行中选择两个随机（非给定）位置并交换它们，但这也使性能变得更糟。（与两个随机位置的交换不同，我不明白为什么这种突变会使性能变得如此糟糕，但是随机化整行的突变会使性能更好）
我的算法还没有解决任何困难的难题。它经常会接近（在只有 6 到 10 个冲突的范围内），但它永远无法找到解决方案（它可能会找到局部最小值并卡住）。
为了改进算法，我添加了用完全随机的板替换大部分人口（表现最差的染色体）的能力，但这似乎影响很小。
我的方法有哪些弱点？我怎样才能提高性能？
与交叉相比，数独似乎可以从突变中获得更好的性能。