改进这种遗传算法以最小化错误

Question

我编写了一个简单的遗传算法，旨在执行拟合。也就是说，给定一些输入f(x)，我可以在不知道f 的情况下求解x（实际上，f(x) 根本不存在）。我的流程如下：

1. 我生成一些初始点，均匀分布在已知的解区间0,1。

2. 然后我进行迭代，直到达到某个最大代数。在每次迭代中，我：

   a) 按最小误差（RSS 误差）对当前点集进行排序，将它们存储在parents 列表中

   b) 保留第一个500，并从初始列表中随机选择几个点

   c) parents 列表中的 1/2 点我“涂抹”，通过生成一个从高斯分布中提取的新点，其平均值由所选点给出

   d) 我现在通过生成“children”来填充parents 列表中剩余的“空槽”。通过从parents 列表中随机选择两个点并取其平均值 ((male + female)/2) 生成子代。

   e) 最后，我设置初始列表等于父母列表，然后跳回到 a)

最后，我对列表进行最后一次排序，并选择第一个元素作为解决方案。

见下面的代码

我最终得到了一个还不错的解决方案。它似乎以惊人的速度跳到了解决方案的附近，但从那里没有取得太大进展。我仍然使用蛮力获得更好（并且更快）的结果。所以，我想改进我的算法。

几个注意事项：

我很清楚，这在某种程度上取决于我将算法应用到的问题。我有兴趣将它用于一些不同的事情。忽略这个问题，我可以用我拥有的做什么来改进它？

我也知道（可能）存在更好/更容易/更快/等方法。我只是对这个话题感兴趣。

我的代码：

        initial = []

        # Generate random initial test points
        for i in range(5000):
            initial.append(random.uniform(0,1))

        for i in range(max_generations):
            # Sort according to some error function
            initial.sort(key = error_func)

            # Keep the "best" 500
            parents = initial[:500]

            # Throw in a few random points
            for i in range(randint(10,100)):
                parents.append(initial[randint(0,len(parents) - 1)])

            # "Mutate" half the parents
            for individual in parents:
                if randint(0,1):
                    individual = random.gauss(individual, 1E-5)

            children = []

            while len(children) < (5000 - len(parents)):
                # Randomly pick a male and female
                male = parents[randint(0, len(parents) - 1)]
                female = parents[randint(0, len(parents) - 1)]

                # Produce a child
                children.append((male + female) / 2) 

            parents.extend(children)
            initial = parents

     initial.sort(key = error_func)
     print(initial[0])

我正在考虑的几点：

1. 我知道遗传算法有几种不同的方式来选择“最合适的”点（个人/成员/等）。也许有比仅按最小错误排序更好的方法？

2. 通常是有更多的起点，还是更多的迭代/世代更好？

目标

#1：提高准确性和精确度 #2：提高找到“好”解决方案的速度

Answer 1

遗传算法必须在系统中运行。因此，您必须在实施前指定一些关键点。它们是：

1. 种群规模（每代染色体计数）
2. 选择运算符
3. 交叉运算符
4. 除名率
5. 变异策略
6. 终止条件（基于适应度或基于生成）

与您的问题完全相关的决定尝试解决（适应度函数）。

遗传算法的主要问题是单调性。如果你不能提供多样性，你很可能会陷入局部最优点。解决方案是选择方便的“选择”和“交叉”运算符。

这可能是您的起点，comparison of selection operators 和 comparion of crossover operators。另外还有implementation ways of lots crossovers。同样，它们只是介绍。您可以找到更多资源，只需 google 即可。