Прочитав псевдокод для реализации стационарного отбора в генетических алгоритмах в Essentials of Metaheuristics и этот сайт, должен ли я всегда изменять дочерние элементы или я должен подвергнуть его мутации с вероятностью, скажем, 50%?
Меня немного волновало, что популяция не будет конвергировать, если я всегда буду мутировать в каждом поколении, потому что хромосомы представлены действительными числовыми значениями от 0 до 1.
Поведение Генетического алгоритма очень разумно в отношении значений веса, которые вы выбираете эвристически.
Значения вероятности, присвоенные каждому действию, на самом деле зависят от конкретной генетической схемы, которую вы применяете, способа, которым данные представлены и влияют на них. мутация и кроссовер, начальная популяция и сама проблема.
Итак, чтобы эвристически выбрать наилучшие значения веса для вашей задачи, я советую вам отслеживать следующие данные:
Здесь я прикрепляю график, показывающий эволюцию этих параметров в одном из самых ранних исполнений (мне еще предстояло сбалансировать его) AGER, изготовленного на заказ генетический алгоритм, способный автоматически находить наилучшее приближение к идеальной конструкции встроенного микропроцессора на основе простой скалярной архитектуры для выполнения заданного приложения.
(щелкните, чтобы увеличить изображение)
В идеале вы хотите установить значения веса так, чтобы начальный наклон был как можно меньше, но не до такой степени, что значение среднего значения фитнес-функции не улучшается. несколько поколений (хотя следует допустить временное ухудшение). Разнообразие должно поддерживаться относительно высоким как можно дольше, а среднее значение функции пригодности должно расти очень медленно (в отличие от рисунка). Вместо этого наилучшее значение пригодности должно быть подтверждено как монотонно возрастающая функция.
Сказав это, скорость мутации, равная 50%, кажется очень высокой.
