Artificial intelligence 遗传规划中交叉的实现

我正在编写一个遗传编程（GP）系统（用C语言编写，但这只是一个小细节）。我读过很多文献（Koza、Poli、Langdon、Banzhaf、Brameier等），但有些实现细节我从未见过解释。例如：

我使用的是稳定状态的总体，而不是分代的方法，主要是使用计算机的所有内存，而不是为临时总体保留一半

问题1。在GP中，与GA相反，当您执行交叉时，您选择了两个父项，但您是否创建了一个或两个子项，或者这是您的自由选择

问题2。在稳定状态下，相对于代际制度，交叉创造的儿童会取代哪些人口成员？这是我没见过的。是两位家长，还是另外两位随机挑选的成员？如果是后者，我可以理解，您可能会使用负面锦标赛选择来选择要替换的成员，但这不会导致过早收敛吗？（在交叉事件后，群体包含两个原始父母加上这些父母的两个孩子，另外两个随机成员被删除。精英主义是固有的。）

第三季度。是否有关注GP的网络论坛或邮件列表？奇怪的是，我还没有找到。雅虎的GP组几乎只用于发布消息，Poli/Langdon Field Guide论坛几乎没有任何声音，而在gamedev.net等普通/游戏编程网站上的GP讨论非常基本

谢谢你能提供的任何帮助

首先，放松

GP中没有“正确”的方法。GP更像是艺术而不是科学。尝试许多方案，选择最有效的方案

问题1：1、2或多个。你选择

问题2：替换，1，2，全部。或者试试精英主义

问题3：你可能找不到讨论这些问题的论坛b/c没有正确/最佳答案。对不起

在我的研究中，交叉从未真正表现得很好

正如Ray所说，这主要取决于你，但通常在稳定状态下，你只会产生一个后代

同样，你也有选择。我不会取代父母。如果他们是根据自己的健康状况被选为父母，那么你可能会淘汰人口中一些最健康的成员。最简单的方法就是随机挑选一个被替换的人。或者，您可以替换最不合适的个体，但这可能导致过早收敛。另一种选择是使用与选择父母相同的选择策略，但使用反向适应度，以便更适合不太合适的个体

你可以在USENET上尝试comp.ai.genetic（和）

---

如果您能阅读Python，您可能想看看。我主要参与GA方面的工作，但它也支持GP。也许你能从那里得到一些提示

听起来你的一些问题不一定是针对基因编程的；如果这是真的，你可能会有一些运气，请那些人过来

他们主要讨论增广拓扑（或NEAT）算法的神经进化，这是一种用于进化神经网络的遗传算法。但是像精英主义和交叉策略这样的主题是相当普遍的，并且可以应用于GA和GP算法

---

否则，正如Dan和Ray所说，很多决策都是在对特定软件和领域进行实验后做出的。试着将你的算法应用到不同的问题上，并注意它的表现——过一段时间，你可能会对什么有效什么无效形成直觉。

Q1是你的选择，但独生子女可能更常见。每次你为父母选择彩票时，你都在施加选择压力，这正是你想要的

问题2：消极的比赛选择正是正确的方法。是的，失去群体中的低适应性成员最初会导致快速收敛，但一旦你的群体进入解决方案空间中难以搜索的部分，就不会像那些输掉锦标赛/彩票的人那样一成不变。你必须小心的是基因库的停滞；我建议监测基因组的熵来追踪其异质性。“精英主义是与生俱来的”——好吧，是的，这就是问题所在！；-）

问题3：comp.ai.genetic可能是你最好的选择。有时，这个话题会在游戏开发论坛上被提及，比如在Gamasutra上

---

C语言中的遗传编程？！？你如何保证后代的生存能力？用非同源语言进行基因编程是一个真正的挑战。

看看你的stacky需求。

我会创造无限数量的后代，但只能在成功的基础上，让人口中的老年人死去。缺乏健康也会导致早死。这似乎是自然规律

Q1. In GP, as opposed to GA, when you perform crossover you select two parents but 
do you create one child or two, or is that a free choice you have?

是的，这是你的选择；但一般来说，不建议创建具有相同父母的多个个体，因为由相同父母创建的个体趋势之间的差异将非常有限，这可能会消耗处理速度和内存，而处理速度和内存本可以花费在显示不同趋势和行为的其他个体上，需要进行分析（但如果进化过程接近终点，创造更多的个体就不会成为问题）

---

建议根据您采用的健身功能提供的排名替换个人。

我强烈建议您查看一下。该功能免费提供（如果您填写表格）它包含了一系列元启发式技术的概述，包括遗传规划、交叉算子、稳态模型等。

Q2. In steady state GP...