问题标签 [crossover]

例如，我们有这个问题：

最大化函数 f(X) = X^2 ，其中 0 ≤ X ≤ 31

使用二进制编码，我们可以使用 5 位来表示个体。在经历了选择方法之后，我们得到了遗传算子。

对于这个问题（或任何优化问题），以下的优点和缺点是什么：

• 高或低交叉率
• 使用 1 点交叉
• 使用多点交叉
• 使用统一交叉

到目前为止，这是我想出的：

• 高交叉率和多点交叉会降低适应性良好的父母的质量，并产生更差的后代
• 低交叉率意味着解决方案需要更长的时间才能收敛到某个最优值

我有两个数组（一行矩阵）temp1，temp2如下所示：

我有一个索引pn=3。我需要如下输出：

即我如何创建tempNew索引上的所有值pn都来自于temp1并且索引之外的所有值pn都来自于temp2？

我正在构建一个项目，其主要目标是使用 6 个给定数字和主要运算符（+、-、*、/）找到给定数字（如果可能，否则最接近）。想法是使用给定的数字和运算符以反向抛光（后缀）表示法随机生成表达式，因为我发现它最容易在以后生成和计算。这些表达式是我的遗传算法中的个体。这些表达式在 Java 中具有字符串数组列表的形式，其中字符串既是运算符又是操作数（给定的数字）。

这里的主要问题是，交叉这些个体（实际上是后缀表达式）的最佳方法是什么？现在我正在考虑交叉表达式，这些表达式由给定的所有六个操作数（以及它们的 5 个运算符）组成。稍后我可能还会交叉由较少操作数（5、4、3、2 和也只有 1）组成的表达式，但我想我应该首先弄清楚这一点，作为最复杂的情​​况（如果你认为以不同的方式开始可能是一个更好的主意，我愿意接受任何建议）。所以，问题是每个表达式都是由给定的所有操作数组成的，子表达式也应该包含所有操作数。我知道这需要某种有序的交叉（通常用于 TSP 等问题），其中描述了多种方法），但我不太清楚哪种方法最适合我的情况（我也知道在遗传算法中有很多“试错”过程，但我在说关于这里的其他事情）。

我所说的困扰我的是运营商。如果我只有一个操作数列表，那么跨越 2 个这样的列表不会有问题，例如，从 1 个父项中获取半个元素的随机子数组，然后用父项 2 中的剩余元素填充其余部分，保持顺序如下它是。但是在这里，如果我说，从第一个父表达式中获取表达式的前半部分，我肯定必须用剩余的操作数填充子表达式，但是我应该如何处理运算符呢？像其余的操作数一样从父级 2 中获取它们（但是我必须小心，因为为了在后缀表达式中使用运算符，我需要至少有 1 个操作数，并检查所有时间可能很耗时，或不是？），或者我可以为子表达式的其余部分生成随机运算符（但这不会

当谈到交叉时，也有突变，但我想我已经解决了。我可以采用一个表达式并执行一个突变，我只需切换 2 个操作数，或者采用一个表达式并随机更改 1 个或多个运算符。为此，我有一些想法，但真正困扰我的是跨界。

所以，这几乎概括了我的问题。就像我说的，主要问题是如何交叉，但是如果您对程序有任何其他建议或问题（也许更容易表示表达式 - 除了字符串列表 - 交叉可能更容易/更快，也许是我没有'这里不提，没关系，甚至是解决问题的全新方法？），我很想听听他们的意见。我在这里没有给出任何代码，因为我认为不需要回答这个问题，但如果你认为它会有所帮助，我一定会编辑以解决这个问题。再一次，主要问题是回答如何交叉，这个问题的特定部分（想法或伪代码预期，虽然代码本身也很棒：D），但如果你认为我需要做更多的改变，

提前致谢！

我在遗传算法中使用了混合阿尔法交叉和非均匀变异。染色体的形式为：[parent1 parent2 parent3 parent4 parent5 parent6 parent7]。每个染色体允许的值应该在[0,1]范围内，并且它们的总和应该等于1。我有代码交叉和突变来做这个约束。但它不起作用。结果中的染色体不是在 [0,1] 中并且总和不等于 1。我的交叉代码：

和我的突变代码：

我该如何解决？感谢您抽出宝贵时间。

我正在使用 Python 为 12 个部门的二次分配问题编写一个简单的 GA 代码。我的解决方案（染色体）是一个列表，其中值代表部门编号，索引代表位置。在交叉期间，我使用 (item in list) 来查看某个部门是否已经存在于后代中，以避免重复。该代码需要很长时间才能运行，我猜这是因为（列表中的项目）查找时间。我怎样才能加快这个过程？我知道我无法将列表转换为集合，因为我需要保留部门的顺序！有任何想法吗？

我正在尝试为一维库存切割问题实现遗传算法。问题是我们有无限量的金属库存，具有 m 个不同的长度和 n 个不同的订单长度（小于库存长度），必须从库存金属中切割出不同数量的金属。

我的问题是：

如何编码染色体？（它们有以下限制：总切割长度必须小于库存尺寸..）

在这种情况下，交叉和变异算子如何工作？

我发现它们与我们用于 TSP 问题的普通运算符完全不同，因为当你想重新调整人口时有很多限制（例如，碎片不能比库存长，...）

这是我的遗传算法，一步一步：

1. 随机生成两个初始种群，并从两者中选择最合适的游览。

2. 执行一个有序的交叉，它选择第一个适合的游览的随机部分，并从第二个开始按顺序填充其余部分。

3. 如果这次巡演的效果仅为初始人群中前 10% 巡演的 1.3 倍，则通过随机交换两个城市来改变这次巡演（我实际上只是通过归纳来完成的，挑选出制作不佳的巡演） - 我很乐意改变这一点，但想不出更好的方法。

   • 该突变选自若干突变的群体。

4. 返回产生的游览。

然而，突变几乎总是更糟，如果与交叉不同的话。

我非常感谢一些帮助。谢谢！

为什么具体使用它？

我知道它会增加变化，这可能有助于探索问题空间，但它会增加多少及时找到最佳解决方案/配置的概率？它还有其他好处吗？

它是否一定总是有帮助，或者是否存在会增加找到最佳解决方案所需时间的情况？

我正在尝试为我正在构建的遗传算法创建一种有效的交叉方法。我只有 2 或 3 个变量需要优化，因此我可以将每一代视为平面或球体上的点。

为了生成孩子，我想将空间划分为三角形或四边形，然后将每个的质心作为孩子。我的问题是细分空间。如何对分数进行分组并确保每个父母为相同数量的孩子做出贡献？

一种解决方案可能是形成 N（3 或 4）个最近邻点的集群，然后将这些点的质心作为子点。然后可以通过对 N 个集群进行分组并再次获取质心来生成更多的孩子。我对最近邻聚类不是很熟悉，尽管我一直在研究它，但我还没有找到任何看起来特别有效的解决方案。

我目前正在实现 Kenneth Stanley 开发的 NEAT 算法，以原论文作为参考。

在描述交叉方法的部分中，有一件事让我有点困惑。

因此，上图说明了 NEAT 的交叉方法。为了决定一个基因是从哪个父母那里继承来的，这篇论文说：

匹配的基因是随机遗传的，而不相交的基因（中间不匹配的）和多余的基因（最后不匹配的）是从更合适的父母那里继承的。

对于匹配的基因（1 - 5）很容易理解。您只是从 Parent1 或 Parent2 随机继承（两者都有 50% 的机会）。但是对于不相交的 (6-8) 和多余的 (9-10) 基因，您不能从更合适的父母那里继承，因为您在 Parent1 或 Parent2 中只有这些基因。

例如：

Parent1 的适应度高于 Parent2。不相交的基因 6 只存在于 Parent2 中（当然，因为不相交和多余的基因只出现在一个亲本中）所以，你不能决定从更合适的亲本那里继承这个基因。所有其他不相交和多余的基因也是如此。您只能从它们所在的父级继承它们。

所以我的问题是：你是否可能从更合适的父母那里继承所有匹配的基因，然后接管不相交和多余的基因？或者我在这里误解了什么？

提前致谢。