我正在尝试实现遗传算法以最大化n个变量的函数。然而问题是健身值可能是负的，我不确定如何在做选择时处理负值。我读了这篇文章Linear fitness scaling in Genetic Algorithm produces negative fitness values，但我不清楚负面适应度值是如何处理的，以及如何计算比例因子a和b。
另外，从文章中我知道轮盘赌选择仅适用于积极适应值。锦标赛选择也一样吗？
锦标赛选择不受此问题的影响。它只是比较群体大小为n的均匀采样子集的适应度值，并采用具有最佳值的那个。当然，这意味着，如果您在不重复的情况下进行采样，那么最糟糕的n-1个体将永远不会被选中。如果您重复采样，他们有机会被选中。
与比例选择一样：它不适用于负适应值。您只能对您的健身值应用“窗口”或“缩放”，在这种情况下它们会再次起作用。
我曾经编写过一些sampling methods作为C＃的IEnumerable的扩展方法，其中包括SampleProportional和SampleProportionalWithoutRepetition扩展方法。他们是GPL许可下的HeuristicLab的一部分。
如果您有负值，您可以尝试在人口中找到最小的适应值，并将其与每个值相加。这样您就不会有负值，而适应值之间的差异将保持不变。
好的，现在回答很晚，但仍然有人可以谷歌。
首先 - 是的，你可以使用负面的健身。但我完全建议你不要这样做，因为我已经做到并经历了很多问题（仍然可行，但完全不推荐）。所以这里有解释：
假设您有N个生物的数量。在模拟之后它们都具有一些适应值f（n），其中f（n）是适应度而n是生物数。在此之后你想建立一些概率分布来确定应该杀死哪些生物（当然你可以删除40％的最差生物，但如果你使用分布会更好）。你如何建立这样的分布？假设f（a）= 50，f（b）= 100，那么生物b比生物a好2倍，所以可能你想让生物的生存概率比生物b高2倍（如果你的健康值是线性的）。万一你想知道怎么做：
假设sum（f（n））是所有适应度值的总和。那么生物a的生存概率p（a）是：
p（a）= f（a）/ sum（f（n））
这样就可以了。
但现在让我们允许负面的健身。假设f（a）= 50，f（b）= 100，f（c）= -1000。 b再次比a好2倍，但是它比c好10倍？没有意义。上面的绅士建议你添加最差的健身价值，这有点可以“修复”你的情况，但实际上它没有（我之前犯了同样的错误）。好的，让我们为所有健身值添加1000：
f（a）= 1050，f（b）= 1100，f（c）= 0，所以c的生存概率现在为零，好吧，我们可以接受它。但是现在让我们比较a和b：
b比现在好1.05，这意味着a和b的适应性几乎相同，这是完全不可接受的，因为它明显比a好2倍（当然假设适应性是线性的，但这会搞砸非线性拟合度）！你不能逃避这个问题，它会不断地妨碍你，因为概率不能是负面的，所以你要么可以从进化中去除概率（这不是很好的事情），或者你可以做一些例外和招数。
由于在我的场景中为了消除负面的适应性为时已晚，所以这是我的方法来解决问题：
再一次，你有N个生物的数量。假设neg（N）给你所有负面健身生物和pos（N）正面健身生物（这是你的零负面或正面的召唤，在这种情况下无关紧要）。让我们说你需要D生物去死。而现在这就是诀窍：
较高的f（c）（c是pos生物）值，生物越好，所以我们可以利用它的适应度来确定生存的概率。但是较低的（较大的负数）f（m）（m是负生物），生物较差的生物，所以我们可以利用它的适应性来确定死亡的概率。
现在，如果D> neg（N）则所有neg（N）将死亡，并且pos（N）的（D-neg（N））将使用基于所有正生物健康的概率分布而死亡（生存概率p） （a）= f（a）/ sum（pos（n）））。但是如果D <neg（N），则所有pos（N）将存活，并且neg（N）生物的D将使用基于所有负面生物适应性的概率分布而死亡（死亡的概率p（a）= f（ a）/ sum（neg（n））（f（a）将为负，但sum（neg（n））也将为负，因此概率为正）。