Optimization 将决策问题转化为优化问题？（进化算法）

决策问题不适合在进化算法中使用，因为简单的对/错适应度度量无法优化/进化。那么，有哪些方法/技术可以将决策问题转化为优化问题呢

例如，我目前正在研究一个问题，其中个体的适应度在很大程度上取决于它产生的输出。根据基因的顺序，个体要么不产生输出，要么产生完美输出——没有“中间”（因此，没有可以攀登的山丘）。个体基因顺序的一个微小变化可能会对个体的适应度产生重大影响，因此使用进化算法本质上相当于随机搜索

---

如果你知道一些文献参考，那就好了。

应用于多输入和检查正确答案的百分比

没错，一个正确/错误的适应度度量不能朝着更正确的方向发展，但一个算法仍然可以将一个可变函数应用于它所需要的任何输入，以产生一个正确或错误的决策。所以，你不断地对算法进行变异，对于每一个变异的算法版本，你将其应用到100个不同的输入上，然后检查其中有多少是正确的。然后，选择那些给出比其他算法更正确答案的算法。谁知道，最终你可能会看到一个让他们都好起来的

---

没有参考文献，我只是想出来的。

嗯，我想你必须研究你的健身功能。 当你说有些人更接近完美的解决方案时，你能根据他们的遗传结构来确定这个解决方案吗？

---

如果你能做到这一点，那么一个程序也可以做到这一点，因此你不应该根据输出而根据其结构对个体进行评级。

所有完美的输出都同样完美吗？是否所有无输出都同样可能接近完美输出？对于第一个问题，是的。对于你的第二个问题，就基因结构而言，有些可能更接近完美的解决方案，但从适合度的角度来看，由于它们不产生任何输出，因此它们的适合度与那些可能没有那么接近的不适合度相同。你似乎已经回答了自己的问题：如果没有山可爬，任何形式的爬山优化都无法获得任何牵引力。除了对渐进主义和部分解决方案挥手致意之外，很难想象一个普遍的解决方案是可能的。一个常见的技巧是在基因或“生产”中引入随机性：然后新的适应度成为达到完美输出的概率，现在是一个连续数。这适用于你的问题吗？