我有一个关于遗传算法突变的抽象问题。我不包含任何代码片段来独立于编码环境提出我的问题。
我正在编写遗传算法代码，但我不知道如何实现突变。假设将要发生突变的后代是10110011110101000111一个长度为 20 的字符串。
必须以非常小的概率进行突变，例如 0.001。我们产生一个介于 0 和 1 之间的随机数，并据此决定后代是否应该突变。我的问题是我们必须生成 20 个随机数并为这个后代的每 20 位做出关于突变的决定？或者我们必须为整个后代只生成 1 个随机数并随机切换一点？
换句话说，后代中的每个位都有机会根据生成的随机数发生变异，还是只有一个位有变异的机会？
“传统上”突变率pmutation（David E Goldberg 的“搜索、优化和机器学习中的遗传算法”）是衡量您染色体的随机元素将被翻转成其他东西的相似性（您的“选项 1”）。
即，如果您的染色体被编码为长度为 1000 且pmutation为 1% ( 0.01) 的二进制字符串，则意味着您的 1000 位中的 10 位（平均）将被翻转。
尽管可以避免产生大量随机数来决定下一次突变何时发生（而不是每次都调用 RNG），但实现有点复杂。为了避免复杂的细节，许多实现都使用“选项 2”。
考虑一下，如果L是二元染色体的长度：
1/L通常建议将其作为良好的突变率（例如，H. Muehlenbein 的“遗传算法如何真正工作：突变和爬山”）。1/L标准，您的“选项 2”会有一些问题。“选项 1”更灵活一些，并且遵循最不意外的规则，所以在缺少其他细节的情况下，我会选择它。