我有一个使用遗传算法运行的实验的数据，并试图在论文中展示它。什么是表示遗传算法结果的好/经典方式。我正在考虑做一个散点图，代表他们几代人最适合的个体。这是对结果的良好表示吗？
【问题讨论】：
标签： genetic-algorithm evolutionary-algorithm
当您衡量遗传算法（或任何其他随机算法）的性能时，您会多次运行它，然后汇总结果以消除某些运行“幸运”或“不幸”的影响。然后就是展示这样的汇总结果。
对于单次运行（其中许多），您通常只关注适应度最好的个体（除非您正在分析我认为您没有分析的种群动态），因为这是算法的输出在其运行期间的任何给定时间。
当您在每次运行中都有如此优秀的个人时，您就可以展示结果。遗传算法的典型视觉表示是“进化图”或“进度图”（我个人使用第一个术语，其他研究人员也使用它），它看起来像这样（来自我的硕士论文）：
我知道，这有点乱。但是，实线是聚合运行的中位数。这意味着在 X 次评估中，对于每个算法，实线处于特定算法的每次运行中所有最佳个体的适应度中值（有时也使用平均值，但它不能抵抗异常值）。就我而言，误差线从第 1 个四分位数延伸到第 3 个四分位数（有时也使用标准偏差，但误差线关于实线对称，并且不像分位数那样显示分布）。
如果您对进化的进程不感兴趣，而对最终结果感兴趣，则可以使用例如箱线图以正确显示算法最终值的分布。它看起来像这样（同样，来自我的硕士论文，对应于上面的进化图）：
这是在 MATLAB 中创建的。有一个创建箱线图的在线工具：http://boxplot.bio.ed.ac.uk
如果您只有一个算法要呈现，您还可以将进化图与箱线图结合起来——由箱线图组成的进化图！您只需在每第 N 次评估中放置一个箱线图（N 取决于可读的图形大小）。四分位误差线和中值实线是一种箱线图，以（扭曲的）方式。
最后一个选项是以文本形式（或在表格中）呈现一些统计测试支持的结果。为了比较两种算法（最终值），您可以使用例如Mann-Whitney U-test。比较两种以上的算法变得很棘手，你需要找一个友好的统计学家来帮助你:)。
【讨论】：