我必须做一个使用遗传算法解决子集和问题的项目。不幸的是，在编写算法时我发现了一个大问题......
我的算法：
（算法取自《遗传算法 + 数据结构 = 进化程序，第 2 章》一书） 种群规模、数据量、数据收集范围、步数、突变数（步内）、在程序选项中严格设置交叉次数（在一个步骤中）。
问题在于，在种群中经过一定（相对较少）的步骤后，所有染色体都是相同的。问题说明了这个图表：http: //imageshack.us/m/96/7693/wykresb.png
我做错了什么？如何解决？提前致谢。
编辑：
在这里你可以找到我的应用程序的日志：http: //paste.pocoo.org/show/391318/
我认为轮盘赌不是最好的解决方案（正如 deong 所说）。突变也需要改进。
这是（潜在的）问题。免责声明当然是您可能只是有一个错误的程序。
轮盘赌的选择很糟糕。问题是在运行的早期，适应度值的分布是随机的。相比之下，您有一些糟糕的解决方案和一些合理的解决方案。你不期望它们中的任何一个非常好，但你会期望它们中的一些比其他的要好得多。
轮盘赌选择利用这些概率的相对差异并放大它们。如果您的人口规模为 100，并且一个人的健康状况是其他人的五倍，那么它将被选择五倍。由于突变率通常较低，您很快就会陷入这样一种情况：您两次选择同一个体进行重组，产生一些新的相同后代，进行非常小的变化（也许），然后将它们放回种群中。因为你还处于运行初期，大多数解决方案仍然很糟糕，所以你确实有一个高于平均水平的解决方案，你选择了五个高于平均水平的解决方案，培育它们得到十个高于平均水平的解决方案，然后开始整个过程再次。如果您不是，这些解决方案可以很快接管整个人口
解决方案是使用更好的选择运算符。二元锦标赛选择更快、更容易编码，并且施加的选择压力更容易承受。还有排名偏向的选择，它通过适应度排名而不是绝对差异按比例选择。
编辑：这并不是说您不能使用比例选择。只是它很容易过早收敛并有效地使用它，您通常必须考虑到这一点来构建一整套运算符。
在应用遗传算法时，算法可能会陷入局部最优。然而，人们对全局最优（或者更确切地说是对这种最优的近似）感兴趣。
可以通过以下方式避免局部最优：
此外，杀死克隆可能有用。这意味着您在每次迭代后“快速”查看您的人口并且不允许克隆。快速我的意思是你只寻找近似的克隆，因为检查精确的克隆需要 O(m*n^2)，其中 n 是你的种群大小，m 是染色体的大小。这种方法帮助我解决了另一个我面临克隆的问题。
希望这有帮助，克里斯蒂安
编辑
如果你能发布你的交叉功能也很好。最好不要作为代码，而是用纯英文文本。交叉函数是遗传算法的关键部分。
我之前也遇到过类似的问题，希望和你的一样
首先，您需要检查（使用任何测量指标）A 染色体是否优于 B 染色体。这可以让您对种群的染色体有严格的顺序，并能够对种群进行分类。
然后，当您产生一个新染色体（通过突变或交叉）时，您可能正在产生一个已经存在于您的种群中的染色体。确保不要将其包含在您的人口列表中。
换句话说，确保你的列表总是包含不同的染色体并且总是从最好到最差排序！
注意：我使用的遗传算法通常是这样的（这是最通用的算法，也是最常用的）：
