遗传算法中比赛选择的多次迭代

Posted 2023-02-19

【中文标题】遗传算法中比赛选择的多次迭代

【英文标题】：Multiple Iterations of Tournament Selection in Genetic Algorithm

【发布时间】：2010-11-12 04:49:34

【问题描述】：

大家好，我对锦标赛选择的多次迭代如何运作感到有些困惑。

我知道您开始选择随机配对（或 k 个成员）并将获胜者放入交配池。你继续这样做，直到交配池被填满。

但是，我不确定之后会发生什么。

我们是否只是开始随机地与交配池中的那些交配？然后通过从新一代中随机选择对来重新开始选择过程？

谢谢。

【参考方案1】：

我已经编写了很多这样的通用算法，以至于我创建了一个框架以避免一次又一次地编写相同的代码。

对于交配池，这取决于您正在寻找的个体类型、您正在寻找的解决方案，以及如果您有办法以某种方式将个体结合起来，那么他们更有可能产生一个更好的个人。

您可以使用随机交配，但这会给您提供“更糟糕”的解决方案——更糟糕的是，您不知道它们是否会产生更好的个体。它仍然是很好的解决方案，当我开始编写这些算法时，我总是使用随机交配，但是在从 2 个旧个体中得到一个新个体后，我立即比较了 3 个的性能，并丢弃了最差的，最终得到有时有 2 位父母（并丢弃 1 秒大的孩子），或者最终有 1 位父母和 1 位孩子。

但是为了更高效，并且如果您知道如何组合个体以便他们产生更好的解决方案（这可能非常棘手），您可以使用亲和力函数，它需要 2 个个体并返回两个个体之间的亲和力他们。棘手的部分是确定亲和力。根据问题的不同，它可能会有很大的不同。例如，如果我考虑旅行商问题，我在交配相似度较低的个体时得到了最好的解决方案。所以我的亲和力函数返回 1 - 相似度。

这样，我可以减少 80% 的迭代次数并获得非常好的解决方案。

但请记住，池越大，执行亲和函数所需的时间就越长——亲和函数可以是 O(n²)，甚至 O(n³)，在这种情况下，它可能是你的算法。在这种情况下，使用随机交配会更好。

总之，随机交配是好的——毕竟，我们可以说它在现实生活中是这样工作的——但如果你知道如何计算两个人之间的亲和力，你可以用它来减少迭代次数您需要获得一个好的解决方案。请记住，计算亲和性可能非常复杂（我什至猜测计算给定池的最佳亲和性是 NP 完全的）。

【讨论】：

+1 用于制作框架。当我爱上 GA 并写了很多算法时，我在大学里自己做了一个。不幸的是，我在大学毕业后没有时间继续它。 :(

【参考方案2】：

这不是一个好的建议，但是......

但是，我不确定之后会发生什么。

随心所欲。您可以将它们全部变异......或者您可以将您在锦标赛中选择的每一对配对。使用效果最好的。要有创意。

正如本论坛上的其他人指出的那样：关于 GA 的肮脏小秘密在于它更像是艺术而不是科学。

此外，要获得真正好的建议，您需要更好地描述您想要解决的问题。

【参考方案3】：

传统上，在找到锦标赛获胜者后，他们会形成下一代。在此之后，所有的变异、选择等过程都在循环中继续进行。