浮点 GA 适应度函数
Floating point GA fitness function
我一直在尝试使浮点适应度函数起作用，但生物体越接近目标序列，所需的时间就越长。
我尝试了一些实现，但在每一个上，交叉导致每个生物体的基因序列相同，但适应度只有 50% 左右
评估 -1.0 和 1.0 之间的浮点序列值的好方法是什么？
过早收敛是进化计算的最大问题之一。我不确定您使用的是哪种选择方案，但这可能是您需要关注的地方。
如果您不使用基于锦标赛的选择，第一步就是尝试一下。一个简单的版本是：对于下一代种群的每个成员，从当前种群中选择 X 个生物体。只有最高适应度的人才能继续前进。重复直到下一个种群已满。如果你使用较低的 X（2 是最低的）你有一个弱的选择压力，所以进化需要更长的时间但你可以保持更多的多样性。
锦标赛选择的好处在于，适应度的大小并不重要，重要的是顺序，这在人口几乎相等时会有所帮助。
假设这个第一选择机制不起作用，你需要使用一个积极保护多样性的机制。适应度共享往往是一个有效的选择——一个单独的解决方案的适应度会根据那里有多少相同（或相似的生物体）而被修改。基本上记下你有多少种解决方案，有多少个邻居，并使用一个简单的函数来修改基于此的适应度（每个相同副本可能 -5%，每个邻居 -1%......有很多选择).
您还可以尝试许多更高级的技术，但这些应该会让您走得更远。
我一直在尝试使浮点适应度函数起作用，但生物体越接近目标序列，所需的时间就越长。
我尝试了一些实现，但在每一个上，交叉导致每个生物体的基因序列相同，但适应度只有 50% 左右
评估 -1.0 和 1.0 之间的浮点序列值的好方法是什么？
过早收敛是进化计算的最大问题之一。我不确定您使用的是哪种选择方案，但这可能是您需要关注的地方。
如果您不使用基于锦标赛的选择，第一步就是尝试一下。一个简单的版本是：对于下一代种群的每个成员，从当前种群中选择 X 个生物体。只有最高适应度的人才能继续前进。重复直到下一个种群已满。如果你使用较低的 X（2 是最低的）你有一个弱的选择压力，所以进化需要更长的时间但你可以保持更多的多样性。
锦标赛选择的好处在于，适应度的大小并不重要，重要的是顺序，这在人口几乎相等时会有所帮助。
假设这个第一选择机制不起作用，你需要使用一个积极保护多样性的机制。适应度共享往往是一个有效的选择——一个单独的解决方案的适应度会根据那里有多少相同（或相似的生物体）而被修改。基本上记下你有多少种解决方案，有多少个邻居，并使用一个简单的函数来修改基于此的适应度（每个相同副本可能 -5%，每个邻居 -1%......有很多选择).
您还可以尝试许多更高级的技术，但这些应该会让您走得更远。