改进这种遗传算法以最小化误差

Question

我写了一个简单的遗传算法，旨在执行拟合。 也就是说，给定一些输入f(x) ，我可以在不知道f的情况下求解x （实际上， f(x)甚至不必存在）。 我的流程如下：

1. 我生成一些初始点，均匀分布在已知的解区间0,1中。

2. 然后我进行迭代，直到达到某个最大代数。 在每次迭代中，我：

   a) 按最小误差（RSS 误差）对当前点集进行排序，将它们存储在parents列表中

   b) 保留前500 ，并从初始列表中随机选择几个点

   c）来自parents列表的1/2点我“涂抹”，通过生成一个从高斯分布的新点，其平均值由所选点给出

   d）我现在通过产生“孩子”来填充parents列表中剩余的“空位”。 通过从parents列表中随机选择两个点并取其平均值（ (male + female)/2 ）来产生孩子。

   e) 最后，我设置初始列表等于父母列表，然后跳回到 a)

最后，我最后一次对列表进行排序，select 第一个元素成为解决方案。

请参阅下面的代码

我最终得到了一个不错的解决方案。 它似乎以惊人的速度跳到了解决方案的附近，但从那里没有取得太大进展。 我仍然使用蛮力获得更好（更快）的结果。 所以，我想改进我的算法。

几点注意事项：

我很清楚这在某种程度上取决于我将算法应用于的问题。 我有兴趣将它用于一些不同的事情。 忽略这个问题，我能做些什么来改善这个问题？

我也知道（可能）存在更好/更容易/更快/等方法。 我只是对这个话题感兴趣。

我的代码：

        initial = []

        # Generate random initial test points
        for i in range(5000):
            initial.append(random.uniform(0,1))

        for i in range(max_generations):
            # Sort according to some error function
            initial.sort(key = error_func)

            # Keep the "best" 500
            parents = initial[:500]

            # Throw in a few random points
            for i in range(randint(10,100)):
                parents.append(initial[randint(0,len(parents) - 1)])

            # "Mutate" half the parents
            for individual in parents:
                if randint(0,1):
                    individual = random.gauss(individual, 1E-5)

            children = []

            while len(children) < (5000 - len(parents)):
                # Randomly pick a male and female
                male = parents[randint(0, len(parents) - 1)]
                female = parents[randint(0, len(parents) - 1)]

                # Produce a child
                children.append((male + female) / 2) 

            parents.extend(children)
            initial = parents

     initial.sort(key = error_func)
     print(initial[0])

我正在考虑的几点：

1. 我知道遗传算法有几种不同的方式选择“最合适的”点（个人/成员/等）。 也许有比仅按最小错误排序更好的方法？

2. 通常是有更多的起点，还是更多的迭代/世代更好？

目标

#1：提高准确性和精确度 #2：提高找到“好”解决方案的速度

Answer 1

遗传算法必须在系统中运行。 因此，您必须在实施前指定一些关键点。 他们是：

1. 种群大小（每代染色体计数）
2. 选择运算符
3. 交叉算子
4. 选拔率
5. 突变政策
6. 终止条件（基于适应度或基于生成）

您与您的问题完全相关的决定试图解决（适应功能）。

遗传算法的主要问题是单调性。 如果你不能提供多样性，你很可能会陷入局部最优点。 解决方案是选择方便的“选择”和“交叉”运算符。

它可能是您的起点，选择运算符的比较和交叉运算符的比较。 此外，还有地段交叉的实现方式。 同样，它们只是介绍。 您可以找到更多资源，只需 google 即可。