在遗传算法中，我们应该选择多少个父母进行交叉。

Question

我读过很多教程，论文，我理解了遗传算法的概念，但是我有一些问题要在Matlab中实现。

总括而言，我有：

• 含有三个基因a、b、c的染色体，每个基因受不同的限制。
• 求最优解的目标函数

我所做的：

• 生成a，b和c的随机值，例如20个种群。i.e a1 b1 c1…..a20 b20 c20
• 在每个解决方案中，我评估了目标函数，并将解决方案从最好到最坏排序。

我所面临的困难：

• 现在，我们为什么要进行交叉和变异呢？我找到的最好的解决方案还不够吗？
• 我知道做交叉的概念(产生随机数，概率…)。(等等)但是哪些父母和他们中有多少人将被选中进行交叉或变异？ 我应该为整个20个解决方案(父母)做交叉，还是只对其中两个进行交叉？

Answer 1

一般情况下，遗传算法是用来寻找一个很好的解决问题的一个巨大的搜索空间，在那里找到一个绝对的解是非常困难或不可能的。很明显，我不知道你的值的范围，但是由于你只有三个基因，很有可能通过遗传算法(或者更简单的搜索策略)找到一个很好的解决方案，而不需要任何额外的运算符。种群中的所有染色体通常都进行选择和杂交(尽管从每一代人身上携带一些最好的东西并不少见)。一般的想法是，更适合的染色体更有可能被选择和相互交叉。

变异通常用于阻止遗传算法过早收敛于非最优解.你应该在没有突变的情况下分析结果，看看是否需要。突变通常是在整个种群上进行的，每一代都是如此，但概率很小。让每一个基因都有0.05%的几率发生变异，这并不罕见。你通常想给一个小的机会突变，而不是它完全超过选择和交叉的结果。

正如人们所建议的那样，我会对遗传算法做一个简单的背景阅读，以便更好地理解它的概念。

Answer 2

分享一些建议，从‘实用神经网络食谱在C++’的书.为您的第一个epoc提供一个大得多的人口是一个好主意，然后您可能会包含一些特性，这些特性将有助于一个可接受的解决方案。以后，可以拥有较少人口的epocs将调整、合并或淘汰这些有利的特征。

手册-多父母-Eiben似乎表明四位父母比两位更好。然而，床制造商还没有意识到这一点，似乎只生产单人床和双人床。