遺傳算法中多次迭代錦標賽選擇

Question

嗨，大家好，我對錦標賽選擇的多次迭代如何工作感到困惑。

我知道你開始選擇隨機對（或k個成員），並將獲勝者放入交配池中。你繼續這樣做直到交配池被填滿。

但是，我不確定事後會發生什麼。

我們剛剛開始隨機交配那些交配池嗎？然後通過選擇新一代的隨機對重新開始選擇過程？

謝謝。

Answer 1

傳統上，在比賽獲勝者被發現後，他們形成下一代。所有的突變，選擇等過程都是在循環之後繼續進行的。

Answer 2

我已經寫了相當多的這些通用算法，直到我提出了一個框架來避免一次又一次地寫入相同的代碼。

對於交配池，它取決於你所尋找的個體的種類，你正在尋找的解決方案，以及如果你有一種方式來組合個體，他們會有更好的機會一個更好的個人。

你可以使用隨機交配，但這會給你「更糟」的解決方案 - 更糟的是，因爲你不知道他們是否會產生更好的個體。這仍然是很好的解決方案，當我開始編寫這些算法時，我總是使用隨機交配，但是在從2箇舊的交易中獲得新的個體後，我立即比較了3個交易的表現，並且拋棄了更糟糕的交易，最終以2名父母有時（並丟棄1歲孩子），或者以1名父母和1名孩子結束。

但要更有效率，並且如果您知道如何組合個體以便他們能夠產生更好的解決方案（並且這可能非常棘手），那麼您可以使用親和函數，該函數需要2個個體並返回親和力它們之間。棘手的部分是確定親和力。根據問題，它可能會非常不同。例如，如果我把旅行商問題解決了，那麼當交配個體的相似性較低時，我會得到最好的解決方案。所以我的親和力函數返回1-相似性。

這樣，我可以將迭代次數減少80％，並獲得非常好的解決方案。

但請記住，池越大，執行親和函數的時間越長 - 親和函數可以是O（n²），甚至可以是O（n³），在這種情況下，它可能是瓶頸的算法。在這種情況下，使用隨機匹配​​可能會更好。

總之，隨機交配好 - 畢竟，我們可以說是這樣工作在現實生活中 - 但如果你知道如何計算2個個體之間的關聯性，你可以用它來減少數量迭代你需要獲得一個好的解決方案。請記住，計算親和力可能非常複雜（我甚至猜測計算給定池的最佳親和力是NP-Complete）。

Answer 3

這不是個好建議，但...

但是，我不知道以後會發生什麼。

做你想做的。你可以改變他們所有的......或者你可以在比賽中選出你選的每一對。使用最適合的方式。有創意。

正如這個論壇上的其他人所指出的：關於GA的骯髒的小祕密在於它比藝術更具藝術性。

此外，要獲得真正的好建議，您需要更好地描述您想要解決的問題。