我应该总是在 steady-state 选择中改变后代吗？
Should I always mutate the offspring in steady-state selection?
已阅读 Essentials of Metaheuristics and this site 中遗传算法中实现 steady-state 选择的伪代码，
我应该始终对 children 进行变异还是应该对其进行变异概率，比如 50%？
我有点担心如果我总是在每一代都做变异，种群不会收敛，因为染色体是由0到1的实数值表示的。
遗传算法的行为对于您启发式选择的权重值非常明智。
分配给每个动作的概率值实际上取决于您正在应用的特定遗传方案，数据表示的方式和受突变和交叉影响，初始种群和问题本身。
因此，为了启发式为您的问题选择最佳权重值，我建议您跟踪以下数据:
- 随着时间的推移，您的种群熵多样性指数（参考：Wikipedia）的进化
- 随着时间的推移，最佳适应度函数值的进化
- 随着时间的推移平均适应度函数值的进化
- 与具有相同遗传密码的新个体的比率 28=]现有（或过去）个人
我在这里附上了一张图，显示了这些参数在最早的一次执行中的演变 （我仍然需要平衡它） of AGER，一种定制的遗传算法，能够自动找到嵌入式微处理器理想设计的最佳近似值，基于用于执行给定应用程序的简单标量架构。
(click to enlarge picture)
理想情况下，您希望设置权重值，使初始 斜率尽可能低 ，但不要达到 平均适应度函数 价值在几代人中都没有改善 （但应该允许它暂时恶化）。 diversity 应尽可能保持相对较高，而适应度函数的平均值应增长非常缓慢 （与图片不同）.相反，最佳适应度值应该被验证为单调递增函数。
话虽如此，等于50%的变异率似乎很高
已阅读 Essentials of Metaheuristics and this site 中遗传算法中实现 steady-state 选择的伪代码， 我应该始终对 children 进行变异还是应该对其进行变异概率，比如 50%？
我有点担心如果我总是在每一代都做变异，种群不会收敛，因为染色体是由0到1的实数值表示的。
遗传算法的行为对于您启发式选择的权重值非常明智。
分配给每个动作的概率值实际上取决于您正在应用的特定遗传方案，数据表示的方式和受突变和交叉影响，初始种群和问题本身。
因此，为了启发式为您的问题选择最佳权重值，我建议您跟踪以下数据:
- 随着时间的推移，您的种群熵多样性指数（参考：Wikipedia）的进化
- 随着时间的推移，最佳适应度函数值的进化
- 随着时间的推移平均适应度函数值的进化
- 与具有相同遗传密码的新个体的比率 28=]现有（或过去）个人
我在这里附上了一张图，显示了这些参数在最早的一次执行中的演变 （我仍然需要平衡它） of AGER，一种定制的遗传算法，能够自动找到嵌入式微处理器理想设计的最佳近似值，基于用于执行给定应用程序的简单标量架构。
理想情况下，您希望设置权重值，使初始 斜率尽可能低 ，但不要达到 平均适应度函数 价值在几代人中都没有改善 （但应该允许它暂时恶化）。 diversity 应尽可能保持相对较高，而适应度函数的平均值应增长非常缓慢 （与图片不同）.相反，最佳适应度值应该被验证为单调递增函数。
话虽如此，等于50%的变异率似乎很高