2

我目前正在用 Python 实现遗传算法，并且是根据 Andries P. Engelbrecht 的书“计算智能 - 简介，第二版”来实现的。我的理解是你表演的每一代人fitness calc, selection, crosover and mutation。

我目前的总体策略是：

while not stopping_criteria():
   next_population = []        

    # Step 1. Calculate Fitness
    for each individual in population:
        calculate_fitness()

    # Step 2. Grab some number of top performers to copy over
    top_performers = ellitism(population, 2) # Grab top 2 for instance
    next_population += top_performers

    # Step 3. Selection/Crossover/Mutation
    # While the next_population has fewer individuals than the current population
    while length(next_population) < length(population):
        # Step 3.1 tournament selection of tournament size 4, top 2
        parent1, parent2 = tournament_selection(population)

        # Step 3.2 Crossover using SBX
        child1, child2 = simulated_binary_crossover(parent1, parent2)

        # Step 3.3 Mutation of children?
        gaussian_mutation(child1, 0.05)
        gaussian_mutation(child2, 0.05)

        next_population += [child1, child2]

我相信我的步骤1 - 3.1正确。我的问题是：

  1. 交叉是正确的吗？这是进行锦标赛选择的好方法吗？我想确保总体人口仍然具有一定的多样性，这样我就可以避免局部最优。这就是为什么我试图只取前两名表演者并复制他们（尽管，也许这也太多了）。

  2. 关于交叉，是否可以只给每个孩子一个小概率使每个基因发生突变？根据当前人群的适应度给出一个可变的突变率会更好吗？

我已经在许多方程上测试了我的方法，但发现有时我仍然陷入局部最大值。使用（来自https://en.wikipedia.org/w/index.php?title=Test_functions_for_optimization&oldid=787014841f(x,y) = -| 2x^2 - 1.05x^4 + ((x^6)/6) + xy + y^2 |的三峰驼峰函数）我发现大部分时间，但有时仍会卡在它附近。这主要是为什么我想知道我的交叉/突变方法是否关闭。(0, 0)

4

0 回答 0