我们知道遗传算法（或进化计算）使用我们的解决方案空间 Ω 中的点的编码而不是直接使用这些点。在文献中，我们经常发现遗传算法有以下缺点：（1）由于许多染色体被编码成一个相似的Ω点或相似的染色体有非常不同的点，效率相当低。你认为这真的是一个缺点吗？因为这类算法在每次迭代中使用变异算子来使候选解多样化。为了增加更多的多样化，我们只需增加交叉的概率。而且我们不能忘记我们的初始种群（染色体）是随机生成的（另一个更加多样化）。问题是，如果您认为 (1) 是 GA 的一个缺点，您能否提供更多细节？谢谢你。
【问题讨论】：
标签： algorithm genetic-algorithm heuristics evolutionary-algorithm
变异和随机初始化不足以解决被称为遗传漂移的问题，这是遗传算法的主要问题。遗传漂变意味着遗传算法可能会很快失去其大部分遗传多样性，并且搜索以不利于交叉的方式进行。这是因为随机初始种群很快收敛。突变是另一回事，如果它很高，它会多样化，这是真的，但同时它会阻止收敛，并且解决方案将以更高的概率与最优值保持一定距离。您将需要在搜索过程中调整突变概率（而不是交叉概率）。与遗传算法类似的进化策略以类似的方式在搜索过程中调整突变强度。
我们开发了称为 OffspringSelection GA (OSGA) 的 GA 变体，它在交叉后引入了另一个选择步骤。只有那些超过父母适应度的孩子才会被接受（更好、更差或任何线性插值）。通过这种方式，您甚至可以使用随机父选择，并对后代的质量产生偏见。已经表明，这减缓了遗传漂变。该算法在我们的框架HeuristicLab 中实现。它具有 GUI，因此您可以下载并尝试解决一些问题。
其他对抗遗传漂变的技术是利基和拥挤，它们让多样性流入选择，从而引入另一种但可能不同的偏见。
编辑：我想补充一点，拥有多个质量相同的解决方案的情况当然可能会带来问题，因为它会在搜索空间中创建中性区域。不过，我觉得你不是这个意思。主要问题是遗传漂变，即。 （重要）遗传信息的丢失。
【讨论】：
作为旁注，您（OP）说：
我们知道遗传算法（或进化计算）使用我们的解决方案空间 Ω 中的点的编码而不是直接使用这些点。
这并不总是正确的。个体被编码为基因型，可以具有任何形状，例如字符串（遗传算法）或实数向量（进化策略）。在评估个体时，即在计算其适合度时，每个基因型都会转化为一个表型。在某些情况下，表型与基因型相同：称为直接编码。否则，编码称为间接。 （您可能会发现更多定义here (section 2.2.1)）
直接编码示例： http://en.wikipedia.org/wiki/Neuroevolution#Direct_and_Indirect_Encoding_of_Networks
间接编码示例：
假设您要优化由长、高和宽定义的长方体的大小。为了简化示例，假设这三个量是 0 到 15 之间的整数。然后我们可以使用 4 位二进制数来描述它们中的每一个。一个潜在解决方案的示例可能是基因型 0001 0111 01010。相应的表型是长 1、高 7 和宽 10 的平行六面体。
现在回到关于多样性的原始问题，除了 DonAndre 所说的之外，您还可以阅读由 AE Eiben 和杰史密斯。以及有关该问题的研究论文，例如Encouraging Behavioral Diversity in Evolutionary Robotics: an Empirical Study。 总之，多样性不是 GA 的缺点，它“只是”一个问题。
【讨论】：