遗传算法 - 父母选择与交叉概率答案

【问题标题】：Genetic Algorithm - Parent Selection vs. Crossover Probability遗传算法 - 父母选择与交叉概率
【发布时间】：2019-05-26 10:28:12
【问题描述】：

我阅读了关于TutorialsPoint 和this question and answer on StackOverflow 的教程。但是，我仍然不明白遗传算法的父选择和交叉过程中交叉概率的含义。

假设我的人口规模为 100，交叉概率为 0.9。这是什么意思？我：

精确选择 10 个父母（因为 90 % 的后代应通过交叉产生），或
运行 RNG 100 次，每次 0.9 概率失败时，我选择一个父节点？

然后，父母不知何故交叉，一些人发生了变异。此时人口是否需要正好有 100 名成员，还是需要额外选择哪些人可以传给下一代？

【问题讨论】：

精确的定义以及它们的实现方式并不真正重要，除非您尝试遵守精确的规范。关键是随机交叉父母。你如何实现这一点并不重要。尝试几种方法。

标签： genetic-algorithm

【解决方案1】：

不完全是 10 个父母，平均有 10 个父母。以下是我遵循的伪代码。

current_population <- comes from previous generation
new_population <- []

for i upto number of chromosomes in current_population :
    parent1, parent2 <- pick 2 parents from current population based on fitness function

    if random_number is less than cross_over_ratio :
        offspring <- crossover (parent1, parent2)
    else:
        if random_number is 0.5:
            offspring <- parent1
        else:
            offspring <- parent2

    append the offspring to new_population

for i upto number of chromosomes in new_population :

    if random_number is less than mutation_ratio :
        i_th chromosome in new_population <- mutation (i_th chromosome in new_population)

【讨论】：

【解决方案2】：

正如 Carcingenicate 所述，实施方式可能会有所不同。 0.90 的交叉率表示 90% 的后代或子群将通过对父解的交叉操作创建。这可能会被实现，这样 90% 的孩子是通过每一代交叉产生的，或者它可以概率性地实现（如 AI_Learning 的示例中所做的那样）。交叉产生的孩子可能也可能不会发生突变。

如何选择父解决方案也可能有所不同。可能更适合的父母解决方案更有可能被选择来产生后代，并且产生的任何后代都将构成下一代的父母群体。或者，可以随机选择父解决方案来产生后代。然后对组合的父代和后代种群进行选择，以创建下一代的父代种群。

一般来说，父种群总是等于规定的种群规模。但是，有可能产生更多的后代，然后只选择一个子集。或者每一代可能只创建几个后代，每个后代都可能替换一个父解决方案。一些实现还可能随着时间的推移改变人口规模，可能最初使用大量人口来促进探索，然后随着时间的推移减少人口规模以促进利用。

【讨论】：