Artificial intelligence 为什么人工智能遗传算法在每一代人中都给出了一个相同的或更合适的解决方案？

遗传算法是一种元启发式算法。声明是人口每一代都会进化成更好（更适合）的解决方案。为什么呢

我对人工智能相当陌生，但希望逐步提高；-）所以请帮助我理解这个算法

在每次迭代中，都会创建新一代的总体。为什么它会包含一个同等适合或更适合的个体

Create a population of Individuals
WHILE population does not have the optimal fittest OR not maximum number of generations 
   call: evoluate the population
print fittest of population

method: evoluate the population 
   Craete a new population
   FOR the number of individuals in the population
     Select a fittest individual out of 5 random Individuals
     Select a fittest individual out of 5 random Individuals
     Store the crossover of these (parent) Individuals in the new population
   FOR the number of individuals in the population
     mutate the individual

---

下一个种群是否可能包含一个不太适合的解？

它也可能包含一个不太适合的解，以逃避局部最优解。这就是为什么必须记住全局最优解的原因，除非第一个个体保证包含它并生存下来。

它也可能包含一个不太合适的解，以逃避局部最优。这就是为什么必须记住全球最佳解决方案的原因，除非第一个人保证能够控制它并存活下来。

注意：为任何语法错误道歉

问题：为什么它会包含一个同等适合或更适合的个体

Create a population of Individuals
WHILE population does not have the optimal fittest OR not maximum number of generations 
   call: evoluate the population
print fittest of population

method: evoluate the population 
   Craete a new population
   FOR the number of individuals in the population
     Select a fittest individual out of 5 random Individuals
     Select a fittest individual out of 5 random Individuals
     Store the crossover of these (parent) Individuals in the new population
   FOR the number of individuals in the population
     mutate the individual

Ans：假设该算法从人口（个体/解决方案集）的特定数量（比如30）开始，并将运行一定数量（比如30）的生成

最初，为每个个体随机或使用适应度函数给出一个适应度分数

在每一代中，所有个体都会经历一些步骤（选择、交叉、变异）。在选择步骤中，适应值较高的个体更有可能被选择。在交叉过程中，适应值较高的个体更有可能被选为父母。同样，在突变步骤中。 （注：概率值用于选择、交叉、变异步骤。） 因此，在下一代中，新的人口更有可能比上一代表现更好

有关详细信息，您可以查看本书：

问题：下一个群体是否可能包含较少的fitt解决方案

答：是的。由于交叉和变异，一些后代（新个体）可能会与他们的最佳父代个体（先前选择进行交叉/变异的个体）相比发生很大变化，因此他们可能不会给出最佳结果。 然而，每一代人最终都会变得更好

---

注意：对任何语法错误表示歉意

问题：为什么它会包含一个同等适合或更适合的个体

Create a population of Individuals
WHILE population does not have the optimal fittest OR not maximum number of generations 
   call: evoluate the population
print fittest of population

method: evoluate the population 
   Craete a new population
   FOR the number of individuals in the population
     Select a fittest individual out of 5 random Individuals
     Select a fittest individual out of 5 random Individuals
     Store the crossover of these (parent) Individuals in the new population
   FOR the number of individuals in the population
     mutate the individual

Ans：假设该算法从人口（个体/解决方案集）的特定数量（比如30）开始，并将运行一定数量（比如30）的生成

最初，为每个个体随机或使用适应度函数给出一个适应度分数

在每一代中，所有个体都会经历一些步骤（选择、交叉、变异）。在选择步骤中，适应值较高的个体更有可能被选择。在交叉过程中，适应值较高的个体更有可能被选为父母。同样，在突变步骤中。 （注：概率值用于选择、交叉、变异步骤。） 因此，在下一代中，新的人口更有可能比上一代表现更好

有关详细信息，您可以查看本书：

问题：下一个群体是否可能包含较少的fitt解决方案

答：是的。由于交叉和变异，一些后代（新个体）可能会与他们的最佳父代个体（先前选择进行交叉/变异的个体）相比发生很大变化，因此他们可能不会给出最佳结果。 然而，每一代人最终都会变得更好

---

谢谢你的回答，我投了赞成票。你能解释一下你的句子吗。。。然而，每一代人最终都会变得更好。谢谢。很抱歉反应太晚。正如我在第一个问题的第2点中所述，更有可能选择具有最佳适应值的个体进行交叉和变异。因此，即使在一代人中，种群包含的拟合度较低，在整个计划中，它最终也会达到最优解。您可以在给定的“示例图像”中观察到这一点。在那里，在第9代中，适应值（绿色）增加了，但后来降低了。谢谢你的回答，我投了更高的票。你能解释一下你的句子吗。。。然而，每一代人最终都会变得更好。谢谢。很抱歉反应太晚。正如我在第一个问题的第2点中所述，更有可能选择具有最佳适应值的个体进行交叉和变异。因此，即使在一代人中，种群包含的拟合度较低，在整个计划中，它最终也会达到最优解。您可以在给定的“示例图像”中观察到这一点。在第9代中，适应值（绿色）增加了，但后来减少了。这个问题与编程无关，所以这里不讨论这个问题。应该问这种类型的问题，你可以问与所有类型的进化计算相关的理论问题。请下次再问这些问题。我投票结束这个问题，因为它与编程无关。在研究实际（程序）实现时，我不理解为什么这个软件/算法每一代都在改进。多亏了这些对我有帮助的好答案，我现在明白了。这个问题与编程无关，所以这里不谈这个话题。应该问这种类型的问题，你可以问与所有类型的进化计算相关的理论问题。请下次再问这些问题。我投票决定结束这个问题，因为它与编程无关。在研究一个真实的（程序）实现时，我不明白为什么这个软件/算法