我正在做一个遗传算法,每个个体都会产生 3 个新的后代。使用适应度函数对新个体进行评估,该函数可能返回负值和正值。如果我想最小化,使用轮盘赌选择在后代之间进行选择的正确方法是什么?
适应度函数的一些可能值是:
fitness_offspring_1 = -98.74; fitness_offspring_2 = -10.1; fitness_offspring_3 = 100.31
我正在研究Python,但我只需要这个想法,这样我就可以自己实现它。
轮盘赌选择只是分配与个人适应度成正比的概率值。然后从该分布中随机选择。适合的人被选中的机会更大,而不太适合的人被选中的机会则较低。
您可以通过使用后代列表而不是个体来轻松地将其适应您的代码。
让我们从Python中简单的伪代码实现开始,您可以根据需要修改它:
fitness_sum = sum([ind.fitness for ind in individuals])
probability_offset = 0
for ind in individuals:
ind.probability = probability_offset + (ind.fitness / fitness_sum)
probability_offset += ind.probability
r = get_random_float()
selected_ind = individuals[0] # initialize
for ind in individuals:
if ind.probability > r:
break;
selected_ind = ind
现在,上面的代码(根据轮盘赌的性质)假设所有适应度值为正。因此,对于您的情况,我们需要将其标准化。您可以简单地将所有值除以最小后代的绝对值。但这会使其概率为 0,因此您可以简单地为所有人添加一个偏差,也给它一个微小的机会。
让我们看看它如何处理简单的值,比如 [1, 5, 14]
fitness_sum = 20
previous_probability = 0
# iterating first for loop:
individual[0].fitness => 0 + 1 / 20 = 0.05
individual[1].fitness => 0.05 + 5 / 20 = 0.3
individual[2].fitness => 0.3 + 14 / 20 = 1
# We created the wheel of probability distributions,
# 0 - 0.05 means we select individual 0
# 0.05 - 0.3 means we select individual 1 etc...
# say our random number r = 0.4
r = 0.4
selected_ind = individual_0
# iterating second for loop:
# 0.05 > 0.4 = false
selected_ind = individual_0
# 0.3 > 0.4 = false
selected_ind = individual_1
# 1.0 > 0.4 = true
break
我确信您可以在 python 中搜索更好的伪代码或实现。只是想给你一个想法。
这就是我在 JavaScript 中实现它的方式,为您提供一个总体思路:
var totalFitness = 0;
var minimalFitness = 0;
for(var genome in this.population){
var score = this.population[genome].score;
minimalFitness = score < minimalFitness ? score : minimalFitness;
totalFitness += score
}
minimalFitness = Math.abs(minimalFitness);
totalFitness += minimalFitness * this.popsize;
var random = Math.random() * totalFitness
var value = 0;
for(var genome in this.population){
genome = this.population[genome];
value += genome.score + minimalFitness;
if(random < value) return genome;
}
// if all scores equal, return random genome
return this.population[Math.floor(Math.random() * this.population.length)];
然而,正如 @umutto 所提到的,这使得具有“最低”分数的基因组“没有机会”被选择。所以你可以人为地为每个基因组添加一点适应性,这样即使是最低的个体也有机会。注意:我没有在上面的代码中实现 @umutto 提到的那个小偏差。 要使用轮盘选择进行最小化,您必须执行两个预处理步骤:
为了最小化,您必须
Java GA,Jenetics,就是通过这种方式进行最小化的。
这是我用的。我认为“简单”的解决方案是将所有适应度调整到一个共同范围,例如[1.0 .. 10.0]。它管理多个独特的选择(请参阅
Cohort_Sizeauto Selector::select_roulette(const Pool& pool, Set& indices) const -> void
{
const auto& fitness = pool.fitness().scale(1, 10);
const auto sum = fitness.sum();
const auto num = fitness.enumerate();
while (indices.size() <= Cohort_Size)
for (auto p = uniform_real(sum); const auto && [i, pi] : num)
if (p -= pi; p <= 0.0)
{
indices.insert(i);
break;
}
}