Я работаю над оптимизацией конвейерной сети и представляю хромосомы в виде строки чисел следующим образом.
пример
chromosome [1] = 3 4 7 2 8 9 6 5
где каждое число относится к скважине, а расстояние между скважинами определено. поскольку лунки не могут быть продублированы для одной хромосомы. Например
chromosome [1]' = 3 4 7 2 7 9 6 5 (not acceptable)
какова лучшая мутация, которая может справиться с таким представлением? заранее спасибо.
Не могу сказать «лучшая», но одна модель, которую я использовал для задач, подобных графу, такова: для каждого узла (номер лунки) вычислить набор смежных узлов/лунок из всей совокупности. например.,
population = [[1,2,3,4], [1,2,3,5], [1,2,3,6], [1,2,6,5], [1,2,6,7]]
adjacencies = {
1 : [2] , #In the entire population, 1 is always only near 2
2 : [1, 3, 6] , #2 is adjacent to 1, 3, and 6 in various individuals
3 : [2, 4, 5, 6], #...etc...
4 : [3] ,
5 : [3, 6] ,
6 : [3, 2, 5, 7],
7 : [6]
}
choose_from_subset = [1,2,3,4,5,6,7] #At first, entire population
Затем создайте нового человека/сеть:
choose_next_individual(adjacencies, choose_from_subset) :
Sort adjacencies by the size of their associated sets
From the choices in choose_from_subset, choose the well with the highest number of adjacent possibilities (e.g., either 3 or 6, both of which have 4 possibilities)
If there is a tie (as there is with 3 and 6), choose among them randomly (let's say "3")
Place the chosen well as the next element of the individual / network ([3])
fewerAdjacencies = Remove the chosen well from the set of adjacencies (see below)
new_choose_from_subset = adjacencies to your just-chosen well (i.e., 3 : [2,4,5,6])
Recurse -- choose_next_individual(fewerAdjacencies, new_choose_from_subset)
Идея состоит в том, что узлы с большим числом смежностей созрели для рекомбинации (поскольку популяция не сошлась, например, 1->2), более низкое «счетчик смежности» (но ненулевое) подразумевает сходимость, а нулевой количество смежности - это (в основном) мутация.
Просто чтобы показать пример запуска ..
#Recurse: After removing "3" from the population
new_graph = [3]
new_choose_from_subset = [2,4,5,6] #from 3 : [2,4,5,6]
adjacencies = {
1: [2]
2: [1, 6] ,
4: [] ,
5: [6] ,
6: [2, 5, 7] ,
7: [6]
}
#Recurse: "6" has most adjacencies in new_choose_from_subset, so choose and remove
new_graph = [3, 6]
new_choose_from_subset = [2, 5,7]
adjacencies = {
1: [2]
2: [1] ,
4: [] ,
5: [] ,
7: []
}
#Recurse: Amongst [2,5,7], 2 has the most adjacencies
new_graph = [3, 6, 2]
new_choose_from_subset = [1]
adjacencies = {
1: []
4: [] ,
5: [] ,
7: []
]
#new_choose_from_subset contains only 1, so that's your next...
new_graph = [3,6,2,1]
new_choose_from_subset = []
adjacencies = {
4: [] ,
5: [] ,
7: []
]
#From here on out, you'd be choosing randomly between the rest, so you might end up with:
new_graph = [3, 6, 2, 1, 5, 7, 4]
Санитарная проверка? 3->6 встречается в оригинале 1x, 6->2 встречается 2x, 2->1 встречается 5x, 1->5 появляется 0, 5->7 появляется 0, 7->4 появляется 0. Таким образом, вы сохранили наиболее распространенную смежность (2-> 1) и две другие «возможно важные» смежности. . В противном случае вы пробуете новые смежности в пространстве решений.
ОБНОВЛЕНИЕ: изначально я забыл о важном моменте, что при рекурсии вы выбираете наиболее подключенный к только что выбранному узлу. Это очень важно для сохранения сети фитнес-центров! Я обновил описание.
