遗传算法中最优种群大小，突变率和配合率

 

我写了一个竞赛游戏程序，它依赖于16个浮点“常量”。 改变常数可以并且将会对运动风格和成功率产生巨大影响。

我还写了一个简单的遗传算法来生成常量的最佳值。 但是该算法不会生成“最佳”常数。

可能的原因是：

  • 该算法有错误（暂时排除！）
  • 人口很少
  • 变异率很高
  • 配偶率可能会更好

    • 算法如下所示：

  • 首先创建最初的人口
  • 每个成员的初始常量被分配（根据我的偏差乘以0.75和1.25之间的随机因子）
  • 每一代人都配对参加比赛
  • 获胜者被克隆两次，如果两个都被克隆一次
  • 如果random（）小于mutate rate，则克隆会突变一个基因
  • 突变将随机常数与0.75和1.25之间的随机因子相乘
  • 在固定的时间间隔内，取决于配偶率，成员是成对的，基因是混合的

    • 我目前的设置：

  • 人口：40（至低）
  • 变异率0.10（10％）
  • 配偶率0.20（每隔5代）

    • 什么是更好的人口规模，变异率和配偶率？

    猜测是值得欢迎的，预计不会有确切的值！ 此外，如果您有类似的遗传算法的见解，您会喜欢分享，请这样做。

    PS：有问题的游戏比赛，如果有人感兴趣：http://ai-contest.com/

    你的突变规模惊人地高。 它也有一些固有的偏见 - 当前值越大，突变就越大。

    你可以考虑

  • 有一个（很多！）更小的突变
  • 给突变一个固定的范围
  • 以不同的方式分配您的突变尺寸 - 例如，您可以使用平均值为1的正态分布。

    • RA Fisher曾将突变尺寸与显微镜聚焦进行了比较。 如果你改变了重点，你可能会朝着正确的方向或错误的方向前进。 但是，如果你相当接近最佳状态并将其转化为很多 - 要么你会走错方向，否则你会超出目标。 所以更微妙的调整通常更好！

    使用GAUL框架，它非常容易，所以你可以提取你的目标函数来插入GAUL。 如果你有一个多核心机器，那么你在编译时要使用omp（openMP）来并行化你的评估（我认为这是时间消耗）。 这样你可以有更大的人口规模。 http://gaul.sourceforge.net/

    通常他们使用高交叉和低突变。 既然你想创造力我建议你高突变和低交叉。 = RSS

    在你的变异函数中真正小心，留在你的空间搜索（在0.75,1.25内）。 使用GAUL随机函数，如random_double（min，max）。 他们设计得很好。 建立你自己的变异功能。 确保父母死亡！

    那么你可能希望将它与一个包含在GAUL中的单形（Nelder-Mead）相结合，因为具有低交叉的遗传编程将找到一个非最优解。

    链接地址: http://www.djcxy.com/p/48863.html

    上一篇: Optimal population size, mutate rate and mate rate in genetic algorithm

    下一篇: Convert an entire String into an Integer in JavaScript