Computer science 进化算法：最优再种群分解

这确实都在标题中，但这里有一个对进化算法感兴趣的人的分类：

在EA中，基本前提是随机生成一定数量的有机体（实际上只是一组参数），针对问题运行它们，然后让表现最好的有机体存活下来

然后用幸存者的杂交、幸存者的突变以及一定数量的新随机生物的组合重新繁殖

这样做几千次，有效的有机体就会出现

有些人还做一些事情，比如引入多个“岛”的生物体，它们是分开的种群，允许偶尔杂交一次

所以，我的问题是：什么是最佳的再繁殖百分比

我一直保持着前10%的表现，并用30%的杂交和30%的突变重新繁殖。剩下的30%用于新生物

我也尝试过多岛理论，我对你们的结果也很感兴趣

我并不认为这正是EA可以解决的问题类型。你知道有人这样做吗

---

提前谢谢

你知道你能做什么。。。您可以编写一个遗传算法来确定最优分布

---

但是，通常我会保留前12%和28%的杂交后代；其他人各占30%。

我为GA和EA找到的最好的资源是约翰·科扎（John Koza）的相关书籍。他深入讨论了这个主题——基因组编码技术、随机突变、育种、调整适应度函数

就我个人而言，我只为教学目的编写了一小部分模拟器。我发现我如何调整这些百分比与我使用的适应度函数的细节有关，我引入了多少随机变异，以及我尝试进行变异和繁殖的“聪明程度”——我发现我尝试进行变异和交叉逻辑的“聪明程度”越低，人群的适应度得分提高得越快——我还发现我在突变概率上过于保守——我最初的跑步达到了局部最大值，很难摆脱它们

所有这些都没有给出具体的答案，但我认为没有具体的答案，遗传算法本质上是不可预测的，调整这些类型的参数可能仍然是一门艺术。当然，你可以尝试一个元遗传算法，使用这些参数作为染色体，搜索在你运行的基本遗传算法中产生更快适应度的设置

这取决于你想要获得的“元”的方式。

这是一个（在文献和实践中）激烈争论的话题，似乎是非常特定于领域的。适用于一种类型的具有n个参数的问题的方法几乎不会适用于另一个问题、另一个域或另一个参数集

所以，正如《创伤学》所建议的，针对你正在解决的每一个问题自己调整它，或者写一些东西为你优化它。你能做的最好的事情就是跟踪你所有的“旋钮旋转”和微调实验，这样你就可以绘制出解决方案的地形图，并感受到如何在该空间内快速优化。也可以尝试其他的技巧，比如爬山，这样你就可以有一个底线

---

@凯尔·伯顿：交给GAs和GPs的每一类问题中，交叉率和变异率也是一样的。

假设你有一种方法来量化前X%的表现者，我建议您不要使用硬编码的阈值，而是分析性能分布，并在性能第一次大幅度下降的范围内进行截断，然后调整交叉阅读、突变和新生物体以填补空白。这样，如果你有一个非常“富有成效”的运行，其中许多变化是成功的，你不会抛出大量的高性能。此外，如果你有一个“非生产性”的运行，你可以废弃更多的现有生物，而代之以更新的生物。

我最初试图模拟我认为的有机系统。最终认为这不好，于是采取了更具攻击性的做法，10%保留，20%变异，60%杂交，10%随机

然后我注意到我的前10%都大致相同。所以我把随机数增加到30%。这帮助了一些人，但不多

我确实尝试过多岛、跳代和重新播种，结果更好，但仍然非常不令人满意，前10%的变异很小，疯狂的长代数才能得到任何结果。大部分代码学习了如何破解我的体能评估

很容易找到表现最好的人，所以不要担心留下太多的人。杂交有助于减少正面和负面的特征，所以它们是有用的，但实际上你想要得到的是大量好的随机繁殖。关注突变和新的随机性以引入特征，让杂交种和表现最好的品种跟踪最好的品种，并更缓慢地改进它们。IE：基于上一代的东西只是找到一个更好的局部极大值，随机数找到更好的全局极大值

我仍然相信，通过观察自然现象可以找到你问题的最佳答案，比如在最近一篇关于果蝇飞行路径随机性的文章中，这样可能会成功

---

也许最好的答案是运行它并调整它，不要害怕对它进行大量调整，人口是强大的。确保您实现了一种保存并继续的方法。

似乎有一些答案建议使用第二个GA来确定第一个GA的最佳参数，但没有提到如何确定第二个GA的最佳参数。我忍不住想知道那些建议这种方法的人的宗教信仰…

我通过设置突变和CRO成功地增加了人口的多样性