遗传算法问题

Question

我正在实施NSGA遗传算法，为我的学院制定一套时间表。我在解决方案的变化上有问题。

我的算法在初始化、变异和交叉方面都很好，但是在最后一代之后，当回顾我的解决方案时，它们都是一样的，例如，我每一代有200个，其中可能有64个是相同的，54个是相同的，等等。

我的问题是是什么导致了这一切？交叉和变异的最佳形式是什么？

另外，在世代大小、世代数、突变率和交叉率方面也有规范吗？

目前，它是这样运行的：

1. 随机生成300个解
2. 计算适应度和排名
3. 挑选200个最好的解决方案
4. 变异5%，产生80名儿童
5. 再计算和排名
6. 挑选最优秀的300人进入下一代
7. 重复

Answer 1

我相信你的阿尔法可能没有错。这对于GA来说是一个众所周知的问题。如果你想要有各种各样的解决方案，你应该实施一些利基方法。它的想法是惩罚你的人口中类似的个体。你可以找出一些启发的个人相似性，并排除相似的个人从你的人口或消除个人的健康。这将保持您的人口更加多样化，并将不允许您的变异运算符选择和进化相同的个人。通过Samir W. Mahfoud的“遗传算法的小生境方法”是很有用的。

Answer 2

这个结果不一定是坏的。它可能只是集中在“附近”没有任何其他可行解决方案的几个解决方案上。你所寻求的解决方案是不是很糟糕？

我注意到的一件事是，虽然你提到了交叉，但你并没有把它列为你的7个步骤之一。如果你实际上只是做变异，这将使遗传算法更难爬出局部最优。

Answer 3

G.A的工作就像收敛到一个点，选择一组最小的等位基因(解决方案)作为最佳。在一些罕见的情况下，经过像几千代人这样的长期运行，它可能带来一个单一的最佳解决方案。

但在某些情况下，它可能带来收敛的解决方案，在最少的运行次数，例如100。但它有可能陷入局部最优状态，无法达到全局最优状态。

我不确定是哪一代人，你试过了。我建议你花1000代时间来比较一下结果。另外，在几代人之后，就像你可以看到一套全新的解决方案一样，情节也可能发生变化。

对于不同的表示，存在不同的交叉和变异。也许你可以说出你所用的表示法，结果与世代数成正比。