Java中遗传算法的轮盘选择

Question

我正在为遗传算法实现轮盘赌选择方法。 从本质上讲，我的问题很简单，但我无法解决。 在我的健身功能中，如果答案非常错误，则可能会返回-3000％。 我的问题是，当我尝试为结果分配概率时，它们倾向于错误的答案。

例如：如果我的百分比在数组中并且是[92，68，5，-4，-3546]（从高到低），我需要给低索引中的数字一个比被选择的数字更大的机会。索引较高。

忽略我的适应度函数，如何在考虑到较大的负数的基础上创建一个概率？

我修改过的一些基本代码在另一个问题中发现：

public Individual rouletteWheelSelection() { 
    double randNum = m_rand.nextDouble() * this.totalFitness; 
    int idx; 
    for (idx=0; idx<POP_SIZE && randNum>0; ++idx) { 
        randNum -= m_population[idx].getFitnessValue(); 
    } 
    return m_population[idx-1]; 
} 

（此处的原始链接： 用Java编写的GA ）

我让我的Google Analytics（分析）使用了另一种选择方法，但现在我正尝试修改该选择方法以使其起作用。 任何帮助将不胜感激。

***编辑

以下代码是我修改过的rouletteWheelSelection：

private Chromosome rouletteWheelSelection(){
    double randNum = Math.abs(rand_num.nextDouble() * totalFitness);
    int idx;
    for (idx=0;idx<NUM_CHROMOSOMES && randNum>0;++idx){
        randNum -= Math.abs(population[idx].getFitness());
    }
    return population[NUM_CHROMOSOMES-idx];
}

这是我的健身功能：

public double getFitness()
{
    String working = bitString;
    int x1 = Integer.parseInt(working.substring(0,6),2);
    int x2 = Integer.parseInt(working.substring(6),2);
    double result = ScratchGA.functionTest(x1,x2);
    double percentAccuracy = (1- Math.abs(((ScratchGA.getDesired() - result)/ScratchGA.getDesired())))*100;
    if (percentAccuracy <= 100)
    {
    return percentAccuracy;
    }
    else
    {
    return -percentAccuracy;
    }
}

我以为该值与我需要的值相差100％以上，因此将其推到排序列表的末尾是负面的。

Answer 1

问题中显示的选择方法仅适用于正或空适应性值。

对于负值，在计算totalFitness时会出现第一个问题：这是适应度值的代数和，还是应该与适应度的绝对值一起使用。

当randNum减少时，会出现一个更严重的问题，但是负适应性值会导致RandNum重新增长。

建议是更改适应度函数，使其仅返回正值。

一种简单的方法如下：

if (fitValue >= -5000)
  fitValue += 5000;
else
  fitvalue = 0;

任意选择-5000作为您认为有意义的最负值。 实际上，这为最不合理的解决方案提供了一种截断选择的形式，您正在尝试使用轮盘赌来避免这种情况，但是显然，当前适应性函数似乎严重偏向范围的负侧（或者甚至在范围上不受约束）。不利方面）。

编辑视图中添加片段的问题，你说的话
通过与Abs有效地合作。 重视您的rouletteWheelSelection()版本rouletteWheelSelection()我的初始回复中列出的“更严重”的问题。
但是，怀疑的getFitness()函数非常偏向于负值。 它的操作范围是[some_potentially_very_negative_value，+100]。
请参见代码：返回的最大值为+100，但是当ScratchGA.functionTest(x1,x2) ScratchGA.getDesired()值与ScratchGA.getDesired()值非常不同时，有可能返回强大的大负值。
似乎需要某种归一化，以防止负收益大大超过100（绝对值）。

该BTW 很好地解释了为什么使用这种适应性功能 ，rouletteWheelSelection（）支持性能较差的染色体 。

假设您有5条染色体，它们的适应度分别为80、70、30、20和-250。 总和为450，对于所有四个具有正适应性的染色体200个，对于一个具有负适应性的染色体250个。 在这个例子中，选择坏的染色体总比没有机会好！
轮盘赌选择背后的想法是， 可以选择适应度低于最佳适应度的染色体，但是选择任何染色体的可能性应与染色体对适应度总和的贡献量成正比。 您已经有效地执行了此操作，但是问题是，导致负适应度总和的值似乎与正适应度值所提供的不成比例。

Answer 2

您可以使用窗口化，因为您始终会增加或减去总体最差的适应性。 因此，选择范围从0扩展为正值。 最差的个人将永远没有机会被选中（类似于锦标赛选择）。 因为如果您不选择值，那么适应度为98的人的选择压力将与选择95和96的人几乎相同。只要您的总体中包括质量较低的解决方案，那很好，但是当所有解决方案都在90年代时选择压力将大大降低。 当您的人群收敛到最佳解决方案时，您将越来越像随机搜索一样。 如果您考虑人口中越来越精细的细节（差异），就只能进行定向探索。