Algorithm 基于遗传算法的稀疏参数选择
我面临一个参数选择问题,我想用遗传算法(GA)解决这个问题。我应该在3000个可能的参数中选择不超过4个。使用二元染色体表示似乎是一种自然选择。评估功能将惩罚过多的“选定”属性,如果属性的数量可接受,则评估选择 问题是,在这些稀疏条件下,遗传算法很难改善种群。无论是平均健身成本,还是“最差”个体的健身水平,都不会随着世代而提高。我所看到的只是最佳个人得分的轻微(甚至微小)提高,我想这是随机抽样的结果 使用参数的索引对问题进行编码也不起作用。这很可能是因为染色体是定向的,而选择问题不是(即染色体[1,2,3,4];[4,3,2,1];[3,2,4,1]等是相同的) 你会建议什么问题Algorithm 基于遗传算法的稀疏参数选择,algorithm,genetic-algorithm,data-mining,Algorithm,Genetic Algorithm,Data Mining,我面临一个参数选择问题,我想用遗传算法(GA)解决这个问题。我应该在3000个可能的参数中选择不超过4个。使用二元染色体表示似乎是一种自然选择。评估功能将惩罚过多的“选定”属性,如果属性的数量可接受,则评估选择 问题是,在这些稀疏条件下,遗传算法很难改善种群。无论是平均健身成本,还是“最差”个体的健身水平,都不会随着世代而提高。我所看到的只是最佳个人得分的轻微(甚至微小)提高,我想这是随机抽样的结果 使用参数的索引对问题进行编码也不起作用。这很可能是因为染色体是定向的,而选择问题不是(即染色体[
如果这很重要,我会使用。我对PyEvolve不太熟悉,但从我对遗传算法的记忆来看,你需要考虑4个步骤
现在,有很多方法可以做到这一点,所以请做对您的问题最有意义的事情。我认为由于参数数量的限制,奇异值分解()在这里可能更合适。您需要更具体一些。模型选择(即您的参数选择问题)非常困难。你的第二和第三段告诉我,你认为你没有看到足够的混合(即参数空间的探索)。是这样吗?是的,这正是我认为的“从3000个中选择不超过4个”似乎不是遗传问题,你能解释一下你在做什么吗。请更正:“现在将C_1和C_3的参数放在一个列表中”到:现在将C_1和C_2的参数放在一个列表中(注意C_2而不是C_3)是的。你是不是通过这种方式对参数空间进行了很好的探索?谢谢你,莱夫。你的建议对我很有吸引力。这种方法被描述(出版)了吗这是我编造的,但肯定是基于类似的问题。你能联系我吗:lists\u borisgorelik.net