进化算法退化为模拟退火的问题：突变太小？答案

【问题标题】：problem with evolutionary algorithms degrading into simulated annealing: mutation too small?进化算法退化为模拟退火的问题：突变太小？
【发布时间】：2011-01-18 01:19:23
【问题描述】：

我在理解进化算法时遇到了问题。我多次尝试使用这种技术，但我总是遇到同样的问题：退化为模拟退火。

假设我的初始人口（括号中的适应度）是：

A (7), B (9), C (14), D (19)

在交配和变异后，我有以下孩子：

AB (8.3)、AC (12.2)、AD (14.1)、BC(11)、BD (14.7)、CD (17)

在淘汰最弱的之后，我们得到

A、AB、B、AC

下一回合，AB 将再次配对，结果大约为 8，将 AC 推出。下一轮，AB 再次推出，将 B 推出（假设突变改变适应度主要在 >1 范围内）。

现在，仅仅几轮之后，池中就充满了最初最适合的候选者（A、B）和这两个候选者（AB）的突变。无论初始池的大小如何，都会发生这种情况，只是需要更长的时间。比如说，初始人口为 50，需要 50 轮，然后所有其他人都被淘汰，将整个设置转变为更复杂的模拟退火。一开始我也和自己交配，让问题更严重。

那么，我想念什么？我的突变率是不是太小了，如果我增加它们会消失吗？

这是我使用它的项目： http://stefan.schallerl.com/simuan-grid-grad/ 是的，代码有问题，界面很烂，但我现在懒得修复它——小心，它可能会锁定你的浏览器。更好地使用 chrome，即使认为 firefox 一次也不比 chrome 慢（可能图像比较的跟踪得到了回报，耶！）。如果有人有兴趣，the code can be found here。

这里我只是放弃了 ev-alg 的想法，转而进行模拟退火。

ps：我什至不确定模拟退火 - 它就像进化算法，只是人口规模为 1，对吧？

【问题讨论】：

标签： evolutionary-algorithm simulated-annealing

【解决方案1】：

在进化算法中，您不必将种群中的每个人都与其他人交叉以产生更多的后代。确定繁殖阶段结果的方法有很多，但最基本的是取所有元素的适应度，并以它们为权重，为种群中的每个成员随机选择伙伴。这通常会导致下一代拥有与前一代相同数量的成员，尽管一些交配计划最终会更多（基于对手头问题的某种推理）并砍掉最低值（再次针对某种领域特定推理）。对于大多数问题，您还抛弃了上一代。

此外，您的适应度需要由繁殖目标来确定，并且要针对每种情况充分推导出来可能非常具有挑战性。

【讨论】：

也许我可以评论...您的目标是什么以及您的进化算法是如何设置的（不，我没有查看您发布的代码链接）。至于退化到模拟退火，您需要更好地理解这些概念。 SA 和 EA 都需要在下一个节点选择中涉及随机性，否则它们将为给定的一组输入提供相同的结果，这对于寻找那些都以识别而闻名的隐藏解决方案没有那么有用。

【解决方案2】：

您似乎在做的是生成所有可能的后代，然后选择最合适的。这既是低效的（因为你生成的候选者比你需要的多）而且会导致过早收敛。

相反，您应该产生足够的后代来替代下一代的种群。选择适当数量的候选人作为父母（偏爱更健康的个体），然后如果您保留后代并丢弃父母，您应该拥有与您开始时相同数量的个体（暂时忽略elitism） - 这个是你的下一代。重复直到满足终止条件。

上一段中的“偏爱更适合的个人”资格是故意含糊的。您可以通过多种不同的方式进行选择。看来您正在选择最适合的个体。这是截断选择。它只对某些类型的问题真正有效。因为你无情地剔除较弱的个体，这通常会导致过早收敛。

理想情况下，您希望给较弱的个体一些生存机会，因为如果与合适的伴侣配对或以正确的方式突变，它可能会产生健康的后代。这就是为什么大多数选择策略都是概率性的。例如，roulette wheel selection 为每个个体分配与其适应度分数成比例的概率。所以更健康的人会更频繁地生存，但弱者仍然有一些小机会。

选择通常是替换的，因此同一个人可能会在给定的一代中多次被选为父母。

另一个常用的选择策略是tournament selection。您可能对我写的描述 different selection strategies and elitism 的文档感兴趣。

【讨论】：