最高效的选择方法答案

【问题标题】：Most performant selection method最高效的选择方法
【发布时间】：2016-04-27 12:43:39
【问题描述】：

我正在研究一个关于时间表问题的遗传算法，但我在决定我应该选择哪种选择方法时遇到了问题。

我的问题是：

1)选择方法的选择如何影响遗传算法的性能？

2)什么是最有效的选择方法？

3）如果我尝试使用随机选择来规避基于适应度的选择会发生什么情况（因为在我的情况下这项任务需要时间）？

提前谢谢你..

【问题讨论】：

【解决方案1】：

1) 您的适应度函数、变异/交叉算子和整体搜索空间紧密而微妙地相互关联。每个问题/选择方法都有自己的性能特征。因此，您的问题没有明确的答案。这仍然是一个开放的研究问题。

2) 不能说是因为 1)。您必须亲自尝试、测量和查看。

3) 可能是 ziggystar 建议的完全随机游走，但这可能没问题。

【讨论】：

关于您的第三个答案，在这种情况下可以吗？非常感谢你的好回答
什么时候随机游走好？在遗传算法中，人们谈论探索/利用紧张。有时你需要利用，有时你需要探索。最好的探索方式是随机漫步。例如，大海捞针问题的最佳策略是随机游走。
@Ray 但是如果你从不将杠杆转向利用，你就不可能找到一个好的解决方案。对 GA 的探索只有在算法记得一些东西时才有用。这种能力受到人口规模的限制。如果没有选择，您可以将此容量平等地用于（更普遍的）不良配置和罕见的良好配置。所以我认为你的探索能力很快就耗尽了。
嘿@ziggy。我不想暗示人们应该总是使用随机游走。同样，这一切都取决于问题。我只是说明在某些（退化但并非不切实际）的情况下，随机游走是（令人惊讶的！）最好的策略。在这些情况下，内存、弹出大小和选择根本不重要。在调整 GA 时记住这一点很有用。

【解决方案2】：

在大多数情况下，我使用随机选择或二元锦标赛，但我的人口模型是稳态（如果比这个更好，后代会替换最差的 - 所以我已经在那里进行了生存选择）。

随机选择确保我不会很快收敛。如果我增加选择压力（例如 q-tournament，q > 2）我会得到非常快的收敛，这对于困难的问题是不利的。

Q-tournament 也很容易实现：只需随机选择 q 个个体，其中最好的就是选择的结果。如果 q == 1，那么你有随机选择。

如果您在实现此功能时遇到问题，可以查看我的实现：http://mepx.org/source_code.html（我为遗传编程的一个变体做到了）。

【讨论】：

你说：“如果我增加选择压力（例如q-tournament，q > 2）我会得到非常快的收敛，[[这对困难的问题不好]] 。我不太明白最后一句你能解释一下吗？提前谢谢你
首先：什么是难题？一个困难的问题是搜索空间很大且局部最优的问题。我们要找到的是全局最优值，而不是局部最优值。在遗传算法中，我们有一群人，有些人比其他人更好。如果问题很困难，那么优秀的个体很可能比全局最优更接近局部最优。如果选择压力很大，您将主要选择更接近局部最优的个体并且算法会在那里收敛。因此，最好保持较低的选择压力以避免局部优化下降