Optimization 遗传算法中的种群分布

我的问题是，如果有遗传优化算法，种群在所有迭代过程中保持i.i.d（独立同分布）。最常见的NSGA2或SPEA2将当前人口与前一个人口混合，因此混合人口不再是iid。但是，是否有算法在优化过程中种群分布发生变化，但仍然保持i.i.d？

您可以尝试适应度均匀选择。

---

但是，我想结果不会很好

链接的thnx。我忘了提到我正在寻找多目标优化算法。这篇论文只讨论了单个目标，你知道有没有一个推广？你可以通过改变适应度函数来实现多目标。为什么你希望它是相同分布的？这不是扼杀了算法的思想吗？我看到的唯一可能的原因是逃离当地的maximum@Wald你说得很对。问题是，我找到了一个非常快速的算法来找到近似的帕累托秩。该算法需要输入一组iid数据，但有时似乎也适用于非iid数据（我不知道为什么）。我的想法是在NSGA2中应用该算法，但结果远非正确。这就是为什么我在寻找NSGA2的一些修改，在那里我可以应用快速算法，但没有成功。顺便说一句，你知道一些应用程序中，近似帕累托秩的知识可能有用吗？老实说，我对帕累托方法不太熟悉，但在简单查找之后，如果你正在进行大规模的遗传世代，它们似乎是有用的。例如，如果您有一个遗传算法为另一个内部遗传算法设置静态数据，因为它们将花费相当长的时间，而缩小外部算法的有用基因将是有用的。但另一方面，我很确定，当数据分布不一致时，帕累托秩不会真正准确。@Wald thx感谢您的努力。我认为，对于一个需要I.I.d样本才能工作的算法来说，群体中的解之间的相关性太强了。还有一些应用，比如异常检测，其中相互依赖的元素的百分比非常低。algorihtm似乎在那里工作，但没有数学证明