我正在使用遗传算法“学习”选秀/跳棋 AI 的最佳参数。这个参数存储在一个双精度向量中。
[x1 x2 x3 x4 x5 x6 x7 x8 x9]
实际上我使用两种简单的方法进行交叉：一点交叉和两点交叉。不幸的是，在我看来，这种方法还不够好。
例如，如果我有一个基因库：
[10 20 1]
[30 10 9]
[100 1 10]
如果 x1 值的理论最优值为 50，我永远无法通过交叉找到它。我唯一的希望是产生一个 x1=50 的突变，足以传给下一代。
那么，有没有更好的方法来执行与数字数组的交叉？
【问题讨论】：
标签： artificial-intelligence machine-learning genetic-algorithm
存在大量可能的交叉（和突变），关于它的文献几乎是无限的。如果您希望使用该表示（双精度向量），那么您可能需要查看模拟二元交叉或混合交叉和高斯突变运营商，他们很可能会帮助您找到与父母基因混合的孩子，而不是简单的交换。
例如，带有eta = 0.5 的模拟二进制文件将给出（隐含的随机化）来自这两个父母
[30 10 9]
[100 1 10]
两个孩子
[52 8 9]
[77 2 10]
据我所知，几乎所有主要的 EC 框架都实现了这些运算符（Open Beagle、ECJ、DEAP、EO 等）
【讨论】：
我的 GA 中的交叉算法与您使用的不同——不是更好，只是不同。总之，我将 crossover 编码为数组拼接/连接操作，而不是替换，其中拼接点是随机的（并且也是“同步的”，因此当两个拼接点部分被组装成与每个父级相同长度的子向量。
我觉得用代码解释起来要容易得多：
DOMAIN_LENGTH = 14
def crossover(v1, v2):
crossover_point = random.randint(1, DOMAIN_LENGTH-2)
return v1[:crossover_point] + v2[crossover_point:]
# create a simple function to generate a couple of 'parent' vectors
>>> fnx = lambda v : [random.choice(range(10)) for c in range(DOMAIN_LENGTH)]
# now generate those parent vectors
>>> v1 = fnx(DOMAIN_LENGTH)
>>> v2 = fnx(DOMAIN_LENGTH)
>>> v1
[7, 9, 5, 6, 6, 7, 6, 9, 8, 6, 6, 4, 5, 8]
>>> v2
[2, 2, 9, 7, 1, 4, 6, 9, 0, 7, 1, 9, 3, 0]
>>> len(v1); len(v2)
14
14
# create the child vector via crossover
>>> child_01 = crossover(v1, v2)
>>> child_01
[7, 9, 9, 7, 1, 4, 6, 9, 0, 7, 1, 9, 3, 0]
>>> len(child_01)
14
所以：
然后：
# fragment contributed from first parent:
>>> f1 = p1[:2]
>>> f1
[4, 3]
# fragment contributed from second parent:
>>> f2 = p2[2:]
>>> f2
[1, 6, 3]
# now just concatenate the two fragments to produce the child fragment
>>> child = f1 + f2
>>> child
[4, 3, 1, 6, 3]
>>> len(child) == len(p2)
True
【讨论】：
您似乎遇到了编码问题，而不是交叉问题。如果您想要染色体的更多可变性 - 然后将数据编码为字节序列（甚至位）。 假设你有 3 个整数参数，那么你可以将它们表示为 3*4=12 字节向量：
{114,2,0,214, // first 32-bit int
14,184,220,7, // second 32-bit int
145,2,32,12, // etc...
}
那么在交叉之后，你的 int 将以很大的可变性进化。您也可以不使用 1/2 点交叉，而是 uniform crossover - 当在每个染色体点时，您将随机决定您将使用的基因版本。在这种情况下，您将获得更多的可变性。但请记住，交叉中的太多可变性也是灾难性的，因为会导致种群可能永远无法达到最优解，因为即使是次优解也会被交叉操作中的大随机波动撕裂。 稳定进化是这里的主要关键词。
另一种方法 - 不是使用遗传算法，而是使用evolution strategy algorithms 改变染色体中的所有基因。但如果不同基因版本的数量不是很大，这种方法是可行的。所以这可能不适合你的浮点数/双精度问题。
HTH！
【讨论】：
这真的取决于适应度函数如何。在交叉中，您还可以对这些值进行平均（同样，如果它对适应度函数有意义），但这可能会导致算法太容易收敛到具有非常相似个体的群体。
我认为这是应该将单个值推向最佳值的突变，如果由于交叉而无法获得它，您应该因为突变而获得 50。
考虑对单个个体进行某种局部搜索（模因算法）。
【讨论】：