进化算法：最优再增殖分解答案

【问题标题】：Evolutionary Algorithms: Optimal Repopulation Breakdowns进化算法：最优再增殖分解
【发布时间】：2010-09-12 23:15:49
【问题描述】：

这确实在标题中，但是对于任何对进化算法感兴趣的人来说，这里有一个细分：

在 EA 中，基本前提是您随机生成一定数量的生物体（实际上只是一组参数），针对某个问题运行它们，然后让表现最好的人存活下来。

然后，您会使用幸存者的杂交品种、幸存者的突变以及一定数量的新随机生物体重新填充。

这样做几千次，高效的生物就会出现。

有些人还会做一些事情，比如引入多个生物“岛”，这些生物是独立的种群，可以偶尔杂交。

那么，我的问题是：最佳的重新填充百分比是多少？

我一直保持前 10% 的表现，并重新填充 30% 的杂交品种和 30% 的突变。剩下的 30% 用于新生物。

我也尝试了多岛理论，我也对你的结果感兴趣。

我并没有忘记，这正是 EA 可以解决的问题类型。你知道有人在尝试吗？

提前致谢！

【问题讨论】：

旁注：您是否考虑过众多基于锦标赛的选择技术之一？

标签： computer-science artificial-intelligence genetic-algorithm genetic-programming evolutionary-algorithm

【解决方案1】：

我遇到的关于 GA 和 EA 的最佳资源是 John Koza 在Genetic Programming 上的书籍。他深入探讨了这一主题 - 基因组编码技术、随机突变、育种、调整适应度函数。

就我个人而言，我只为教学目的编写了一小部分模拟器。我发现，我如何调整这些百分比与我使用的适应度函数的细节、我引入了多少随机突变以及我尝试进行突变和繁殖的“聪明”程度有关——我发现越少'聪明的'我试图使突变器和交叉逻辑，种群提高其适应度得分的速度越快——我还发现我在突变的概率上过于保守——我的初始运行达到了局部最大值并且有一个很难摆脱它们。

这些都没有给你具体的答案，但我认为没有具体的答案，GA 本质上是不可预测的，调整这些参数可能仍然是一门艺术。当然，您可以随时尝试元遗传算法，将这些参数用作染色体，在您正在运行的基本遗传算法中搜索产生更快适应度的设置。

取决于您想要获得的“元”。

【讨论】：

【解决方案2】：

我最初尝试对我认为的有机系统进行建模。最终认为这不好，于是变得更加激进，10% 保留，20% 变异，60% 杂交，10% 随机。

然后我注意到我的前 10% 都大致相同。所以我将随机数增加到 30%。这对一些人有所帮助，但作用不大。

我确实尝试了多个岛，并且进行了世代跳跃和重新播种，得到了更好的结果，但仍然非常不令人满意，前 10% 的变化非常小，疯狂的世代数才能得到任何结果。大部分代码都学会了如何破解我的健康评估。

找到表现最好的人真的很容易，所以不用担心会留住太多人。杂交有助于减少正面和负面的特征，所以它们很有用，但你真正想要的是很多好的随机繁殖。专注于突变和新随机以引入特征，让杂交和表现最好的人只需跟踪最好的并更慢地改进它们。 IE：基于上一代的东西只是找到更好的局部最大值，随机数找到更好的全局最大值。

我仍然相信通过观察自然现象可以找到您问题的最佳答案，例如在最近一篇关于果蝇飞行路径随机性的文章中，因此可能会成功。

可能最好的答案是运行它并对其进行调整，不要害怕进行相当大的调整，人口是强大的。确保您实现了一种保存并继续的方法。

【讨论】：

【解决方案3】：

这是一个备受争议的（在文献中和Melanie, et al books）主题，似乎非常特定于领域。适用于具有 n 个参数的一种类型的问题的方法几乎永远不会适用于另一个问题、另一个领域或另一个参数集。

因此，正如 TraumaPony 建议的那样，针对您要解决的每个问题自行调整它，或者编写一些内容来为您优化它。您可以做的最好的事情是跟踪您所有的“旋钮旋转”和微调实验，以便您可以绘制出解决方案的地形并了解如何在该空间内快速优化。还可以尝试其他技术，例如爬山，这样您就可以击败基线。

@Kyle Burton：在交给 GA 和 GP 的每一类问题中，交叉与突变率也是constantly debated。

【讨论】：

【解决方案4】：

假设您有一种方法可以量化前 X% 的表现者，我建议您不要使用硬编码的阈值来分析性能分布，并将您的截止值设置在性能第一次大幅下降的范围内，然后调整你的杂交、突变和新生物来填补空白。这样，如果你有一个非常“富有成效”的运行，其中很多变化都是成功的，你就不会抛出大量的高绩效者。此外，如果您进行“非生产性”运行，您可以废弃更多现有生物体，以支持更多应该取代它们的新生物体。

【讨论】：

有趣 - 所以你可以稍微调整一下你的阈值。确实，有时糟糕的运行会导致某种冰河时代效应，杀死许多非常聪明的生物。我想你可以争辩说这是过程的一部分，嗯？有点像蟑螂如何度过核冬天。
我实际上是在建模和模拟领域工作，而不是在遗传编程领域，但这是我们希望模型达到的最终状态但我们不知道会达到的起始状态时采用的方法到达那里。
“变异”模型（生成参数的统计变化），运行它，然后检查哪些最终状态最接近所需状态，“变异”这些状态的起始状态并再次运行原始模型的更多变体。如果您想了解更多详情，请告诉我。

【解决方案5】：

通过设置来自父染色体的几个基因的突变和交叉，我在增加种群多样性方面取得了一些成功。

这一直有效，直到突变率降至零；因为这样做可能会有周期性的进化压力，所以你应该尝试确保这些基因具有最低速率。

在实践中，我选择了多染色体基因型。一条染色体编码另一条的生殖功能。较小的“繁殖染色体”具有合理的固定突变和交叉率。

我发现这将阻止人口的经典平稳期和趋同。

顺便说一句，我倾向于为每个孩子做交叉和变异。

对于代际 GA，我尽量避免精英主义，但在来自多个岛屿的人口众多的情况下，我会保留每个岛屿的顶级精英。当岛屿聚集在一起，精英就可以一起繁殖。

【讨论】：

【解决方案6】：

似乎有一些答案建议使用 2nd GA 来确定 1st GA 的最佳参数，而没有提及如何确定 2nd 的最佳参数。我不禁想知道那些建议这种方法的人的宗教信仰......

【讨论】：

震耳欲聋的沉默可能是一个线索？ :)
嗯，很明显不是吗...这就是第一个 GA 正在尝试做的事情 ;)
不过，在“鸡和蛋”和“一路下来的乌龟”之间没有太多选择……我猜鸡和蛋需要更少的内存:)

【解决方案7】：

正如其他人所提到的，最佳组合将取决于您的特定问题和其他特定问题的因素，例如解决方案空间的大小。

在我们讨论从一代到下一代的进化细分之前，重要的是要考虑每一代的规模。一般来说，我的方法是从相当大的群体（约 100k-500k 个体）开始，这些个体相当多样化，这是 Koza 在他的一些工作中提出的建议。为了从一开始就获得这种多样性，您可以将解决方案空间划分为桶，然后确保至少有一定数量的个体落入每个桶中。（例如，如果您对每个人都有一个树表示，请确保创建相同数量的深度 2、3、...、max_depth）

就您的实际问题而言，没有明确的解决方法，但根据您的问题，您可能希望强调随机性或淡化它。当你想强调它时，你应该保持较少的个体完整，并引入更多数量的新随机个体。如果您的解决方案空间中有许多局部最大值并且您希望进行更广泛的搜索，您通常希望这样做。

当您获得细分时，需要考虑几件事...其中之一是重复（在顶部近亲繁殖中存在许多相同或新近相同的个体）。为了减少这种情况，您可能希望在世代之间扫描您的种群，并用新的随机个体或杂交个体替换重复。

也就是说，我目前的方法是保留前 1%，将前 20% 杂交到新的 20%，将前 40% 杂交到下一个 20%，杂交前 90% 产生下一个 20% ，并随机生成其余的（39%）。如果有重复，我会删除它们并用新的随机个体替换它们。

我不使用突变，因为大量随机个体应该注意在接下来的杂交过程中添加“突变”。

【讨论】：

【解决方案8】：

你知道你能做什么......你可以编写一个遗传算法来确定最佳分布。

但是，通常我会保留前 12% 和 28% 的杂交品种；其他人各占 30%。

【讨论】：