遗传算法使用哪种编码？答案

【问题标题】：which encoding to use for genetic algorithm?遗传算法使用哪种编码？
【发布时间】：2016-06-10 21:25:27
【问题描述】：

我想用 C 编写一个遗传算法来优化 10 个变量（x1 到 x10）的函数。但是我无法弄清楚我应该使用哪种编码。我经常看到示例中使用了二进制编码，但在我的例子中，变量可以取实值。此外，对于这些类型的问题，值编码是一个不错的选择吗？

【问题讨论】：

【解决方案1】：

对于真正有价值的问题，我建议尝试 CMA-ES 或其他 ES 变体。 CMA-ES 无疑是实值问题的当前最先进技术。它旨在快速找到多维问题的良好解决方案。 Hansen's page 上有可用的实现。 HeuristicLab 的工作中还有一个 C# 实现。进化策略是专门为实值优化问题设计的算法。它们与遗传算法非常相似（两者都是在同一时间发明的，但在不同的地方）。主要区别在于，对于 ES，主要驱动因素是突变，它具有对突变强度的巧妙适应。没有这种适应，（局部）最优值就不能及时定位。 CMA-ES 易于配置，它所需要的只是初始标准偏差和可选的总体规模（否则有一个公式可以根据问题规模来估计这一点）。

当然也可以应用遗传算法，但是您必须使用一些特定的运算符，这些运算符只能以非常小的程度改变变量。例如，有来自 Mühlenbein 的育种者遗传算法。然而，一般而言，遗传算法更适合需要正确组合事物的问题。例如。背包问题中要包括哪些项目，或者要将哪些功能和终端组合成一个公式（遗传编程）。更少的问题，你需要为某事找到正确的价值。虽然当然有遗传算法的变体可以解决这些问题，但请寻找 Real coded Genetic Algorithm（RCGA 或 RGA）。

另一种适用于实值问题的算法是粒子群优化，但我认为它更难配置。我将从SPSO-2011 2011 年标准 PSO 开始。

如果您的问题包含整数变量，则选择变得更加困难。当变量是离散的时，进化策略表现不佳，因为整数变量的适应方案不同。遗传算法再次成为有趣的首选算法。

【讨论】：

感谢详细解答！！

【解决方案2】：

当两个非常接近最优的答案组合在一起会使其他答案非常接近最优时，最好使用遗传算法。纯二进制编码的问题在于，如果您不检查交叉点，您最终会得到两个答案，这可能与原始答案没有太大关系。

也就是说，只有当您的变量数量非常少且变量中的数据量很大时，这才是真正的问题。至于选择编码，它更像是一门艺术而不是一门科学，这取决于你的问题。我建议使用适合您想要的精度的编码。使用 10 个变量，无论您如何编码，都不会出错，8 位 ASCII 编码器可能会正常工作。

希望对您有所帮助。

【讨论】：