有没有办法改进我的遗传算法？答案

【问题标题】：Is there a way to improve my genetic algorithm?有没有办法改进我的遗传算法？
【发布时间】：2018-03-02 22:36:26
【问题描述】：

我对 GA 很感兴趣，想自己做。
这是我要完成的任务：
我有一个“世界”16x16 领域。我创建了 16 个带有随机基因的机器人。每个基因是一个数组，有 4 个数字，从 1-19（16-19 将转向机器人方向，1-15 是机器人将在指定方向上移动的字段数量）。在这个词中，我采取了一个随机的位置，并试图使从领导者机器人到目标的距离尽可能小。

我创建新一代的方式：

挑选距离最短的 8 个 bot 放入下一代（无交叉）
为我在 '1)' 中挑选的 8 个最佳机器人做交叉（所以我得到了 8 个新机器人）
随机变异 2 个交叉机器人，最后将它们放入下一代。现在我有 16 个新一代机器人。

问题是：我在所有尝试的 1/100 中只得到距离 == 0。但是我经常得到距离1和2（我等到第1000代然后我放弃了，再试一次）有没有办法改善这一点？还是不能用 GA 做得更好？

【问题讨论】：

向我们展示您的尝试

标签： algorithm artificial-intelligence genetic-algorithm

【解决方案1】：

有很多事情出错了。

一些通用的cmets

遗传算法通常是算法专家的最后一招。当 Dijkstra（最适合您的用例）、线性规划、特定约束满足技术等都失败时，您可以使用它们。据推测，您使用它们是因为您想探索这个区域。
使用遗传算法的人很少期望他们实现解决方案的全局最优。 “好”的局部最优值通常是你能做的最好的。 GA 会很容易地找到这些，但很难“归零”在解决方案上。（加州大学伯克利分校的计算机科学家 Papadimitriou 表明，进化实际上并没有最大化适应度，而是最大化基因的混合性。）

交叉与突变

Crossover 用于交换已知有效的基因组的大部分。突变细化了基因组的片段。粗略地说，交叉可以帮助您结合两个好的解决方案，希望这将快速引导您找到更好的解决方案，而变异则探索解决方案附近的空间。

Crossover 还可以破坏一个好的解决方案，方法是将其分成两个独立没有意义的部分，或者将两个部分组合起来产生无意义的输出。

在许多情况下，突变足以探索整个空间，尽管速度很慢。在您的空间中就是这种情况，因为分数随着与目标的距离而单调递减。在更复杂的空间中，交叉可能会帮助您跨越局部最小值之间的障碍。

放在一起

我的建议是您在一定时间内减少人群中的交叉数量。最初，交叉可能会帮助您在进展中获得一些快速的收益。但是，随着时间的推移，尤其是在模拟接近尾声时，您将需要精细的改进。这种技术类似于simulated annealing。

【讨论】：

selection 不是已经应该照顾坏人了吗？那么为什么要从长远来看降低交叉率，当它被设计为逃避局部最小值/最大值时，因此它随着搜索的进展变得越来越重要？
@Patrick：每一代中被选中的个体的比例有助于确定收敛速度。关于模拟退火的文章值得一读。另外，我没有在回答中明确说明这一点，但是由于 OP 的目标是凸的，因此没有局部最小值可以逃脱。

【解决方案2】：

我想根据我在 GA 方面的经验添加一些内容。在我的研究中，我发现使用“精英选择”来创建 N+1 代通常也会在解决方案上造成一个平台：确实，您正在严格且非常快速地达到最佳解决方案，但您可以找到一个局部最小值并在那里保持阻塞（见图中的橙色）。

所以我做了什么：我添加了一个随机步骤（超过最佳元素的交叉和变异），其中显然解决方案更差，但可以产生一个新的最小值，可以是全局最小值（你的零，图片中的绿色跳跃）

你能做什么？尝试在 N+1 代中使用 7 个最好的元素，而不是从 N 代中选择 8 个随机元素（可能是最差的）。

【讨论】：

【解决方案3】：

是时候调试进化了！

最终解决方案（路径）是什么样的？我想，他们只能去 NSEW。如果是这样，那么很容易陷入本地（一两个）解决方案中。

此外，观察最佳解决方案如何随时间演变也会很有用。这可能非常有见地（而且看起来很有趣！）

祝调试顺利！

【讨论】：