什么是遗传算法或遗传编程中的交叉概率和变异概率？有人可以从实施的角度解释一下吗！
【问题讨论】：
标签： genetic-algorithm genetic-programming
突变概率（或比率）基本上是衡量染色体的随机元素被翻转成其他东西的相似性。例如，如果您的染色体被编码为长度为 100 的二进制字符串，如果您有 1% 的突变概率，则意味着您随机选取的 100 位（平均）中的 1 位将被翻转。
Crossover 基本上模拟了有性基因重组（如在人类生殖中），并且它通常在 GA 中以多种方式实现。有时在 GA 中适度应用交叉（因为它破坏了对称性，这并不总是好的，而且你也可能失明）所以我们讨论 交叉概率 来表示将有多少对的比率挑选交配（它们通常按照选择标准挑选 - 但这是另一回事）。
这是一个短篇故事 - 如果您想要长篇故事，您必须努力并点击 Amber 发布的链接。或者做一些谷歌搜索 - 我上次检查仍然是一个不错的选择:)
【讨论】：
根据 Goldberg（搜索、优化和机器学习中的遗传算法），交叉概率是在特定交配时发生交叉的概率；也就是说，并非所有的交配都必须通过交叉繁殖，但可以选择 Pc=1.0。
变异的概率是根据 JohnIdol 的。
【讨论】：
它显示了交叉继承自父母的特征数量！
注意：如果交叉概率为100%，则所有后代都是交叉产生的。如果为 0%，则整个新一代都是由精确的 来自老年人群的染色体副本（但这并不意味着 新一代也一样！）。
【讨论】：
这可能是对这两个概率的一个很好的解释：
http://www.optiwater.com/optiga/ga.html
Johnldol 关于突变概率的回答正是该网站所说的：
“通过生成一个介于 0 和 1 之间的随机数来检查每个染色体中的每个位是否存在可能的突变，如果该数字小于或等于给定的突变概率（例如 0.001），则更改位值。”
对于交叉概率，可能是交叉操作产生的下一代人口的比例。而其余的人口......也许是通过先前的选择 或者您可以将其定义为最适合的幸存者
【讨论】：