遗传算法中的竞赛选择

Question

我用遗传算法对比赛进行了如下选择：

从种群中选择k个随机个体，从中选出两个最好的个体作为父母。

是对的吗？

Answer 1

考虑到您使用的是健身标准，这里有一个可以帮助您的伪代码。

func tournament_selection(pop, k):
best = null
for i=1 to k
    ind = pop[random(1, N)]
    if (best == null) or fitness(ind) > fitness(best)
        best = ind
return best

因此，基本上，您所遵循的方法是好的。虽然有更多，如交叉和其他东西，我想你已经处理好了。

有一个很好的解决方案的参考链接- Tournament Selection in Genetic Algorithms

要扩展这一点，请使用另一个变量“更好”。做些类似于-

better = best
best = ind

在返回时，返回一个对象，它是这两个变量的一对。

或者另一种方法是--两次调用同一个函数实例，它将返回最好的和最好的-1。需要在代码中进行一些调整来处理示例。

PS:这可能不是一个最佳的方法。

Answer 2

锦标赛选择：

• 比赛选择是从个体群体中选择个体的一种方法。
• 锦标赛的选择包括在从人口中随机挑选的几个人中进行几次“比赛”。
• 每届比赛的获胜者(最适合的)都会被选中进行交叉。
• 当比赛规模较小时，比赛选择也给了所有个体选择的机会，从而保持了多样性，虽然保持多样性会降低收敛速度。
• 但是，如果比赛的规模更大，弱势个体被选中的机会就会更小，从而导致多样性的丧失。

PseudoCode:

choose k (the tournament size) individuals from the population at random
choose the best individual from pool/tournament with probability p
choose the second best individual with probability p*(1-p)
choose the third best individual with probability p*((1-p)^2)
and so on...

决定论的比赛选择选择最佳个人(当p= 1)在任何比赛。单向竞赛(k = 1)选择等价于随机选择.如果需要，可将所选个体从所选群体中移除，否则可为下一代选择多个个体。与(随机)适应度比例选择方法相比，竞赛选择由于缺乏随机噪声而在实际中经常被实现。

MatLab:中的锦标赛选择

Matepool=randi(PopLength,PopLength,2);%%select two individuals randomly for tournament and chooose the one with best fitness value
%% number of tournament is equal to the number of population size
for i=1:PopLength
    if Fitness(Matepool(i,1))>= Fitness(Matepool(i,2))
        SelectedPop(i,1:IndLength)=CurrentPop(Matepool(i,1),1:IndLength);
    else
        SelectedPop(i,1:IndLength)=CurrentPop(Matepool(i,2),1:IndLength);
    end
end

Answer 3

比赛选择是众多选择父母的技术之一，就像轮盘赌一样。我亦想指出，除适合度外，分类器的经验/年龄亦应作选择。贝塔是对健康的贡献因素，1-贝塔是对经验的贡献。代码片段在java中。

  ArrayList<Genotype> Crossover (ArrayList Population){
  ArrayList<Genotype> selected= ArrayList<Genotype>();
  Geneotype best=NULL, second_best=NULL;
  for(int i=0; i<k;i++){
    int prob= Math.random()+Population.size(); // generate a number between 0 and last index of arraylist
      if(best==NULL || best.fitness<Population.get(prob).fitness)
        best= Population.get(prob);
      else{
        if(second_best.fitness<Population.get(prob).fitness)
           best= Population.get(prob);
      }
  Population.remove(prob); // Wil not affect the actual population because parameters are pass by value not reference  
  selected.add(best);
  selected.add(second_best);
  return selected;  
}