遗传Algortihm -变长优化策略

Question

我有一个问题，我想解决使用遗传算法(GA)。您可以将其简化为以下问题：

我想优化一家公司的汽车池，这意味着的汽车数量和的汽车模型。我已经有了一个健身功能calcFitness(carList)，它评估给定的设置，如“商务车，运输车”或“商务车，商务车，运输车”。现在的问题是，如何用遗传算法解决这个可变长度的问题。

我有四个想法，你一般可以解决这些问题：

1. 也许以某种方式实现了允许可变长度染色体的遗传算法，并在一次运行中解决了这个问题(如果可能的话不确定？)
2. 估计汽车的最大可行数目(例如20辆)，并对每辆1到20车位数运行一个固定长度的遗传算法，并对20个结果进行比较。
3. 类似于#2，但没有固定的上限:从一辆车开始，增加插槽的数量，直到增量数的最佳解比前面的解更糟(基于梯度的方法)。
4. 两个堆叠的固定长度气体:一个父遗传算法单独负责优化汽车插槽的数量，在它的适应度函数中，另一个优化这些车位分配的GA称为

你对这些一般方法有什么看法？对于这些变长的情况，还有其他的想法或者遗传算法的替代方案吗？

Answer 1

变长当然是可能的，这似乎是这个问题最自然的表现形式。为什么会是个问题？唯一的实质区别将是交叉操作。虽然一个点是微不足道的(你只需在a中选择一个点，在b中选择一个点，并自动得到一个可变长度的后代)，但通常最好是连续交叉，这需要更多的直觉和可变的长度。但是，这可以在经过彻底的单独测试之后实现。

做好准备，你的算法可能会发现，染色体越好，它就能产生更好的结果(在某种组合的情况下)。你不会像遗传规划那样出现指数膨胀(那里的基因型是树木而不是线性序列)，但染色体长度可能会开始不舒服地增长。您可能需要在适应度函数中说明这一点，或者您可以通过拒绝超过某些限制的候选人来建立类似于#2的解决方案。