这里有一些可能有帮助的代码（我刚刚写的）：GA for ordering 10 values spaced by 1.0。它从 100 个完全随机的等位基因群开始，这正是您的代码开始的方式。
我给 GA 解决的目标是以 1.0 的间隔按升序排列值。它在适应度函数Eval_OrderedDistance 中通过计算每对样本与 1.0 的标准差来实现这一点。随着适应度趋于 0.0，等位基因应该开始按顺序出现。
第 0 代最适合的染色体是完全随机的，其他染色体也是如此。您可以看到适应度值非常高（即差）：
GEN: fitness (allele, ...)
0: 375.47460 (583.640, -4.215, -78.418, 164.228, -243.982, -250.237, 354.559, 374.306, 709.859, 115.323)
随着世代的继续，适应度（从 1.0 的标准差）下降，直到在第 100,000 代时几乎完美：
100: 68.11683 (-154.818, -173.378, -170.846, -193.750, -198.722, -396.502, -464.710, -450.014, -422.194, -407.162)
...
10000: 6.01724 (-269.681, -267.947, -273.282, -281.582, -287.407, -293.622, -302.050, -307.582, -308.198, -308.648)
...
99999: 0.67262 (-294.746, -293.906, -293.114, -292.632, -292.596, -292.911, -292.808, -292.039, -291.112, -290.928)
代码中有趣的部分是适应度函数：
// try to pack the aleles together spaced apart by 1.0
// returns the standard deviation of the samples from 1.0
static float Eval_OrderedDistance(Chromosome c) {
float sum = 0;
int n = c.alele.Length;
for(int i=1; i<n; i++) {
float diff = (c.alele[i] - c.alele[i-1]) - 1.0f;
sum += diff*diff; // variance from 1.0
}
return (float)Math.Sqrt(sum/n);
}
还有突变。我使用了一个简单的交叉和“完全突变一个等位基因”：
Chromosome ChangeOne(Chromosome c) {
Chromosome d = c.Clone();
int i = rand.Next() % d.alele.Length;
d.alele[i] = (float)(rand.NextDouble()*2000-1000);
return d;
}
我使用精英主义来始终保留一份最佳染色体的精确副本。然后使用突变和交叉生成 100 条新染色体。
听起来您确实在计算适应度的方差，这当然会告诉您总体中的适应度几乎相同。我发现如何定义适应度函数非常很重要。适应度函数越精细，您就越能区分染色体。显然，您的适应度函数为完全不同的染色体返回相似的值，因为您的第 0 代返回的适应度方差为 68e-19。
你能分享你的健身计算吗？或者您要求 GA 解决什么问题？我认为这可能会对我们有所帮助。
[编辑：添加明确的健身分享/Niching]
我重新考虑了一下，updated my code。如果你想保持独特的染色体，你必须比较它们的内容（正如其他人提到的那样）。一种方法是计算它们之间的标准偏差。如果它小于某个阈值，则可以将它们视为相同。来自染色体类：
// compute the population standard deviation
public float StdDev(Chromosome other) {
float sum = 0.0f;
for(int i=0; i<alele.Length; i++) {
float diff = other.alele[i] - alele[i];
sum += diff*diff;
}
return (float)Math.Sqrt(sum);
}
我认为 Niching 会给你你想要的。它比较群体中的所有染色体以确定它们的相似性，并为每个染色体分配一个“利基”值。然后使用一种称为“显式健身共享”的技术对染色体进行“惩罚”，因为它们属于某个生态位。适应度值除以每个生态位中的染色体数量。因此，如果您在利基组 A (A,A,A) 中有三个而不是该利基被选择的可能性是其 3 倍，则它被视为单个实体。
我比较了我的样本与 Explicit Fitness Sharing 的开启和关闭。最大 STDDEV 为 500 且 Niching 关闭时，大约有 18-20 个壁龛（所以基本上 100 人口中每个项目有 5 个重复）。启用 Niching 后，大约有 85 个壁龛。那是人口中 85% 的独特染色体。在我的测试输出中，您可以看到diversity after 17000 generations。
这是利基代码：
// returns: total number of niches in this population
// max_stddev -- any two chromosomes with population stddev less than this max
// will be grouped together
int ComputeNiches(float max_stddev) {
List<int> niches = new List<int>();
// clear niches
foreach(var c in population) {
c.niche = -1;
}
// calculate niches
for(int i=0; i<population.Count; i++) {
var c = population[i];
if( c.niche != -1) continue; // niche already set
// compute the niche by finding the stddev between the two chromosomes
c.niche = niches.Count;
int count_in_niche = 1; // includes the curent Chromosome
for(int j=i+1; j<population.Count; j++) {
var d = population[j];
float stddev = c.StdDev(d);
if(stddev < max_stddev) {
d.niche = c.niche; // same niche
++count_in_niche;
}
}
niches.Add(count_in_niche);
}
// penalize Chromosomes by their niche size
foreach(var c in population) {
c.niche_scaled_fitness = c.scaled_fitness / niches[c.niche];
}
return niches.Count;
}
[编辑：Anton 代码的后期分析和更新]
我知道这可能不是解决家庭作业问题的正确论坛，但由于我在知道这一点之前就做了努力，而且我从中获得了很多乐趣，我认为它只会对 Anton 有所帮助。
Genotip.cs、Kromosom.cs、KromoMain.cs
此代码保持良好的多样性，我能够在一次运行中将“原始适应度”降至 47，在您的情况下，这是平均平方误差。那是相当接近！
正如我在评论中提到的，我想尝试帮助您进行编程，而不仅仅是帮助您完成作业。请阅读这些对您工作的分析。
正如我们所料，没有必要从一开始就制造“更加多样化”的人口。只需生成一些完全随机的 Kromosomes。
你的突变和交叉具有很强的破坏性，而你只有其中的几个。我添加了几个似乎更适合解决此问题的新运算符。
您放弃了最佳解决方案。当我让您的代码仅使用 Tournament Selection 运行时，将会有一个 Kromo 比其他所有的要好 99%。通过锦标赛选择，这个最佳价值很可能被遗忘。我添加了一些“精英主义”，为下一代保留了该价值的副本。
考虑面向对象的技术。将我发送给您的重写代码与我的原始代码进行比较。
不要重复代码。您有两个不同类别的采样参数。
保持代码干净。有几个未使用的代码部分。尤其是在向 SO 提交问题时，尽量缩小范围，删除未使用的代码，并进行一些清理。
评论您的代码！我对重做的工作发表了重要的评论。我知道这是塞尔维亚语，但即使是几个 cmets 也会帮助其他人了解您在做什么以及您打算做什么。
总体而言，很好地实现了一些更复杂的功能，例如锦标赛选择
-
更喜欢 double[] 数组而不是 List。开销更少。此外，甚至不需要您的几个 List 临时变量。你的结构
列表温度 = 新列表（）；
为了（...） {
temp.add（值）；
}
for(temp 中的每个值) {
总和 += 值
}
平均值 = sum / temp.Count
可以很容易地写成：
sum = 0
for(...) {
sum += value;
}
average = sum / count;
-
在几个地方，您忘记初始化循环变量，这很容易添加到您的问题中。这样的事情会导致严重的问题，并且它在您的 fitness 代码以及其他一两个地方
双重拟合 = 0;
对于（每条染色体）{
// 你应该初始化适合这里 inside 循环
对于（每个等位基因）{
适合 += ...;
}
适合/=计数；
}
祝你编程好运！