【发布时间】：2012-11-28 15:18:40
【问题描述】：
在典型的遗传算法中，是否有任何指导方针来估计在给定人口中个体描述中的熵量的情况下收敛所需的世代？
另外，我认为要求每代的后代数量和突变率也是合理的，但目前我对这些参数的调整不太感兴趣。
【问题讨论】：
标签： algorithm machine-learning genetic-algorithm
【发布时间】：2012-11-28 15:18:40
【问题描述】：
嗯，没有任何具体的数学模型形式的指导方针，但是人们使用几个概念来交流参数设置和如何选择它们的建议。其中一个概念是多样性，它类似于你提到的熵。另一个概念称为选择压力，它根据个体的相对适应度确定必须选择个体的机会。
可以计算每一代的多样性和选择压力，但是代际之间的变化很难估计。您还需要能够预测交叉和变异算子的预期质量的模型，以便估计下一代的适应度分布。
最近发表了关于这些主题的工作： *奇卡诺和阿尔巴。 2011. 使用景观理论精确计算位翻转突变的期望曲线 * 奇卡诺、惠特利和阿尔巴。 2012. 均匀交叉期望曲线的精确计算
您的问题是出于一般研究兴趣还是寻求实际指导？
【讨论】：
-
我目前在遗传算法方面的工作是为了实际应用。我的个人规范中有大约 70 位，我的适应度函数需要几分钟才能执行，所以我试图确定算法是否可以在合理的时间内收敛。
-
您是否考虑过学习适应度函数的元模型？看看克里金/高斯过程回归技术。这些使您可以学习适应度函数的近似值。评估元模型既快速又简单，可以帮助您决定是否真的要进行全面评估。
-
这是一个我没有想到的好主意，谢谢。我不知道我是否需要这样做，因为我已经能够对我的健身功能进行一些相当大的简化，但这是未来要记住的一件好事。
-
好的，很好。您是否寻求进一步的详细说明，或者您是否可以按原样接受它作为答案
没有。如果你定义了算法的数学模型（初始种群、组合函数、变异函数）你可以用正常的数学方法来计算你想知道的，但是“典型的遗传算法”太模糊了，没有任何有意义的答案。
如果您想设置某些遗传算法的超参数（例如“DNA”位的数量），这通常以任何机器学习算法的常用方式完成，并带有交叉验证集。
【讨论】：