Python 遗传算法：较高的变异率导致较低的运行时间

我实现了一个遗传算法来解决一个增强的旅行商问题（边的权重随时间而变化）。目前我正在评估我的模拟的不同参数，我偶然发现了一个我无法向自己解释的相关性：

突变率越高，运行时间越短。我个人认为恰恰相反，因为较高的突变率会产生更多的手术。 （25%的突变率比5%快12%）

突变率为8%（5%比10%好，25%表现最差（0%除外）时，效果最好。适应值越低越好

迭代计数由generation参数设置，该参数在所有测试用例中设置为10.000

每个测试用例执行10次

我的变体实现（在python中）如下所示：

def mutate(self,p):
    for i in self.inhabitants:
        r = random()
        if r <= p:
            i.mutate()

为什么较高的突变率会导致更快的执行时间

编辑：我实际上在我的Raspberry Pi上运行了相同的测试（速度慢了9倍），结果是相同的：

---

每个突变周期i都有提供可接受解决方案的概率pi，评估周期所需的时间为Ti。pi和Ti均随突变率的增加而增加。因此，算法的预期运行时间是查找答案所需的预期周期数的总和∑piTi。较高的突变率会增加每个项的大小，但会减少要求和的项的数量。有一个最佳的突变率可以最小化这个总和。

不看完整的代码是不可能知道的，但以下似乎是合理的：

当突变率较低时，经过几代后，种群变得比突变率较高时更同质。假设您使用的是轮盘赌轮抽样的一些变体，更同质的总体意味着轮盘赌轮的每次“旋转”平均花费的时间比您使用更多样的总体时长（相对较少的成员将主导适合度的分布，因此倾向于在扫描人口中较少的成员后进行选择）

---

更确切地说，您可以使用分析工具，如查看这些CPU周期的确切去向。

运行时间越短，执行的操作就越少（一般来说）。较高的“p”将导致调用“i.mutate（）”的频率越高。“i.mutate（）”是否会更改“self.incidents”变量？您能显示该函数的代码吗？（或者，如果可能，提供一个最简单的工作示例）你还可以尝试在函数mutate中创建self.industries的本地副本，并循环该副本吗？@armatita我添加了该变异的代码。我不理解你对循环副本的意思。显然，变异函数对self.industries没有任何作用：局部我指的是“local=self.industries”，而不是“因为我在当地：。。。"。另外，您何时何地更改self.incidents的值？为什么您认为它没有做任何事情？它交换了两个位置。如果不发生任何事情，我们将在结果/适用性方面看不到任何差异。可能是，我不完全理解答案，但预期的周期数不会减少，因为它是由世代决定的参数，表示执行交叉和变异的次数。@chepner你怎么知道变异会减少要求和的项数？我没有看到任何指向这一点的东西。啊，我没有注意到生成计数是固定的；我假设有一个阈值来确定解决方案何时足够好。我想他在改变self.includes沿着他的变异函数使初始循环变短。但我不确定这是否是算法的目的。如果这是解释，否则这可能是过程中的错误。

def mutate(self):
    r1 = randint(0,self.locations.size()-1)
    r2 = randint(0,self.locations.size()-1)
    self.locations.swap(r1,r2)