将优胜劣汰与遗传算法结合起来？

Question

我正在实现我心爱的“遗传算法”。很明显，在每次选择，交叉和突变后，种群数量大量增加。但是生物也死亡，对吗？但是，算法中没有我们都知道的此类规定。

所以，我的问题是，为什么我们不简单地从种群本身中消除某些适应性较低的生物（并同时合并适者论的生存）？为什么要承担他们的负担并浪费资源（在我们的案例中是记忆）？

[此外，我的所有想法都是基于Peter Norvig的AI书中给出的算法的3页说明，所以也许我的问题已经得到解决。我需要了解这些情况。

另外，这是我在这个平台上的第一个问题，社区，请不要对我严厉！

Answer 1

通过设计，遗传算法通过根本不包括后代的基因来消除集合中最弱的解决方案。

遗传算法如何选择谁生活和谁死亡

摘要：假设算法正在选择为下一代选择，组合和变异的解决方案。每个解决方案都放在飞镖板上，但是更好的解决方案会在飞镖板上占用更多空间，因此，当算法将飞镖扔掉时，就更有可能打出更合适的解决方案。实际上，它甚至可能多次击中相同的解决方案。

一旦它从飞镖板上获得其解决方案集（通常与原始设置相同，但是可能包含多个击中相同解决方案的飞镖的重复项），请采用此设置，并通过随机切换零件来“突变”它们解决方案。然后，您可以在一个非常性感的过程中“配对”解决方案，在该过程中，您将新一代中的随机解决方案的一部分纳入其中，并将它们组合成最终的一代集。

然后重复此过程。

没有飞镖击中的解决方案会发生什么？这完全取决于您的语言和数据结构，但它们可能只是垃圾收集的对象。

实际代码

这里是我在处理（Java）中编写的一些模拟飞镖投掷过程的代码

我只是称生物为浮点的ArrayList，但它们可以是任何东西

 ArrayList<Float> normalize(ArrayList<Float> inputArray){
   float sum = 0; 
   ArrayList<Float> outputArray = new ArrayList<Float>();
   for(int i = 0; i < inputArray.size(); i++){
    sum += inputArray.get(i); 
   }
   for(int i = 0; i < inputArray.size(); i++){
    outputArray.add(inputArray.get(i)/sum); 
   }
   return outputArray;
  }

ArrayList<Float> pick(ArrayList<ArrayList> parents, ArrayList<Float> fitness){
   float searchVal = random(0, 1);
   float fitTotal = 0;
   int fitIndex = 0;
   while(searchVal > fitTotal && fitIndex < fitness.size()){
    fitTotal += fitness.get(fitIndex); 
    fitIndex++;
   }
   if(fitIndex != 0){
    return parents.get(fitIndex-1); 
   }
   else{
    return parents.get(0); 
   }
  }

如何运作

此代码包含两种方法；归一化方法和挑选方法。

normalize方法采用每个解决方案的适应度，然后将其“规范化”为一个数组，其中每个适应度除以总数。这将导致每个适应性水平占总数的百分比。它们全部加起来为一。

然后，pick方法将这个标准化数组与父级解决方案的数组一起使用（必须以适合水平的顺序在同一顺序中），并随机选择一个0-1，并且该数字将与特定的适应度匹配级别，算法将“拾取”要复制的父对象。

您会注意到，适用性水平较高的解决方案更有可能被“挑选”

对于下一代想要的每种生物，都应重复这种“拾取”方法。

编辑

OP提到他们了解飞镖板的类比，并想知道将不良品完全从飞镖板上清除是否有用。首先，挑选不良后代的机会很小，但是像这样的手动修剪也可以。

我可以看到，当您不希望拥有解决方案的非常糟糕的特征，并且不希望将它们放入下一个集合时，这很有用。