遗传算法中的最优种群规模、突变率和交配率

Question

我为一场比赛编写了一个游戏程序，它依赖于一些 16 个浮点“常量”。改变一个常数可以并且将会对演奏风格和成功率产生巨大的影响。

我还编写了一个简单的遗传算法来生成常数的最佳值。然而，该算法不会生成“最佳”常量。

可能的原因：

• 算法有错误（暂时排除这个！）
• 人口太少了
• 变异率太高了
• 交配率可能会更好

算法是这样的：

• 首先创建初始种群
• 分配了每个成员的初始常数（基于我的偏差乘以 0.75 和 1.25 之间的随机因子）
• 每一代人口中的成员都会配对进行游戏匹配
• 获胜者被克隆两次，如果平局则被克隆一次
• 如果 random() 小于突变率，则克隆会突变一个基因
• 变异将随机常数与 0.75 到 1.25 之间的随机因子相乘
• 以固定的时间间隔，根据交配率，成员配对并混合基因

我当前的设置：

• 人口：40（低）
• 变异率 0.10 (10%)
• 交配率 0.20（每 5 代）

种群规模、变异率和交配率的更好值是多少？

欢迎猜测，不期望确切的值！ 另外，如果您对类似的遗传算法有见解，也愿意分享，请这样做。

P.S.：有问题的游戏比赛，如有兴趣：http://ai-contest.com/

Answer 1

你的突变大小让我吃惊地大。它也有一些固有的偏差 - 当前值越大，突变越大。

你可以考虑

1. 有一个（很多！）较小的突变
2. 给突变一个固定的范围
3. 以不同方式分配突变大小 - 例如您可以使用均值为 1 的正态分布。

R.A.费舍尔曾经将突变大小与聚焦显微镜进行比较。如果你改变焦点，你可能会朝着正确的方向前进，也可能是错误的方向。但是，如果您非常接近最佳状态并且经常转动它 - 要么你会走错方向，要么你会超过目标。因此，更细微的调整通常会更好！

Answer 2

使用 GAUL 框架，非常简单，因此您可以提取目标函数并将其插入 GAUL。如果您有一台多核机器，那么您可能希望在编译时使用 omp (openMP) 来并行化您的评估（我认为这很耗时）。这样你就可以拥有更大的人口规模。 http://gaul.sourceforge.net/

通常他们使用高交叉和低突变。既然你想要创意，我建议你高突变低交叉。http://games.slashdot.org/story/10/11/02/0211249/Developing-emStarCraft-2em-Build-Orders-With-Genetic-Algorithms?from=rss

在你的变异函数中要非常小心，以保持你的空间搜索（在 0.75, 1.25 内）。使用 GAUL 随机函数，例如 random_double( min, max )。它们设计得非常好。构建自己的变异函数。确保父母死去！

然后您可能希望将其与包含在 GAUL 中的单纯形 (Nelder-Mead) 结合起来，因为具有低交叉的遗传编程会找到非最优解。