在遗传算法的哪一步应该应用适应度共享？

Question

我正在使用健身分享的方法来解决一个多模问题(最大2)。适应度函数查找个人中的零计数和1计数的最大值：

f=max(u,(1-u))

其中u是基因型中的计数。例如，对于基因型101110，

f=max(4,2)=4

这个问题可以用遗传算法解决。遗传算法通常有五个步骤：

初始人口->体质Evaluation->Selection->Crossover->Mutation->Fitness评价

为了确保在这种多模态适应度景观中找到两个峰值，可以将适应度共享方法添加到遗传算法中。但是，我不知道在上面的GA步骤中引入了这个方法。它是介于突变和健康评估之间吗？如果是正确的，那么健身评估是使用原始健身还是通过共享方法调整健身？

Answer 1

应用健身共享最直观的方法是将其纳入的健身评估中，每次评估健身时都使用它来调整原始的健身。

健身分享的灵感在于，在生物学中，某一有机体必须面对的竞争数量将对其健康产生重大影响。需要与许多其他生物竞争食物的生物会吸收更少的能量，产生更少的后代，也就是说，它们的健康水平会降低。更相似的生物之间会有更激烈的竞争。

因此，健身共享被认为是对健康评估的一种调整--它本质上解释了由于“竞争”，解决方案的健康水平低于表面的事实。当然，在标准遗传算法中，这并不是传统上对资源的竞争。相反，这是竞争的最佳解决方案，在一个特定的部分健身景观。

更严格的健身共享方式是直接改变健身景观的过程，如下面的动画所示。较暖颜色的山丘代表搜索空间内具有较高适应性的区域。因此，人口迅速向他们靠拢。然而，如果采用健身共享，这就降低了与这些区域相关的健身能力，迫使人们分散和探索更多的搜索空间(因为只有在只有少数几种解决方案的情况下，大多数位置才是好的)。由于健身景观直接决定了与每个方案相关的适应度，这也说明健身评价步骤是应用转换的合适场所。

​

​