4

假设我有一个未知函数，我想通过遗传算法来近似。对于这种情况，我假设它是 y = 2x。

我有一个由 5 个元素组成的 DNA，每个 x 一个 y，从 x = 0 到 x = 4，其中，经过大量试验和计算，我会接近某种形式：

best_adn = [ 0, 2, 4, 6, 8 ]

请记住，我事先不知道它是线性函数、多项式还是更难看的东西，另外，我的目标不是从 best_adn 推断函数的类型，我只想要这些点，所以我以后可以使用它们。

这只是一个示例问题。就我而言，我的 DNA 中不是只有 5 个点，而是 50 或 100 个。用 GA 找到最佳点集的最佳方法是什么？

  1. 产生 100 个人口，丢弃最差的 20%
  2. 重组剩下的80%？如何？在随机点切割它们，然后将父亲的 ADN 的第一部分与母亲的 ADN 的第二部分放在一起？
  3. 突变，我应该如何定义这种问题突变？
  4. 是否值得使用精英主义？
  5. 还有其他值得使用的简单想法吗？

谢谢

4

2 回答 2

3

通常你只能通过实验找到这些......也许编写一个 GA 来调整你的 GA。

但除此之外，我不明白你在问什么。如果你不知道函数是什么，也不知道配合的要点，你如何确定适应度？

从我目前对这个问题的理解来看，这更适合神经网络。

编辑：

2.重组剩下的80%？如何？在随机点切割它们，然后将父亲的 ADN 的第一部分与母亲的 ADN 的第二部分放在一起？

这称为交叉。如果您想变得更有趣，请执行诸如选择随机起点并交换随机长度之类的操作。例如，您在一个对象中有 10 个元素。随机选择一个介于 1 和 10 之间的点 X 并交换 x..10-rand%10+1.. 你得到了图片... 稍微调味。

3.Mutation，这种问题的mutation应该怎么定义？通常，这更多地取决于被定义为法律解决方案的内容，而不是其他任何事情。你可以像交叉一样进行突变，除了你用随机数据填充它（这是合法的）而不是与另一个样本交换......而且你以低得多的速度进行。

4.是否值得使用精英主义？实验并找出答案。

于 2009-12-11T01:00:50.187 回答
2

高斯适应通常优于标准遗传算法。如果您不想从头开始编写自己的程序包，Mathematica 全局优化程序包非常棒——我用它来拟合一个非常讨厌的非线性函数，其中标准拟合器惨遭失败。

编辑： 维基百科文章

如果您搜索文章中列出的论文的打印版，您可以找到白皮书和实现。不过，总的来说，您应该对最大化适应度函数的解决方案空间有所了解。如果变量的数量很少，或者局部最大值的数量很小，或者它们连接/倾斜到全局最大值，则简单的最小二乘法可以正常工作。如果每个局部最大值周围的区域很小（IE 你必须得到一个该死的好解决方案才能达到最好的解决方案，否则你会遇到一个糟糕的解决方案），那么需要更高级的算法。

为遗传算法选择变量取决于解决方案空间的样子。

于 2009-12-11T01:05:58.647 回答