遗传算法选择方法在几代后停留在局部最小值

Question

我正在尝试为 GA 编写代码以最小化系统的成本，问题是该解决方案收敛于局部最小值并陷入其中，因此我无法再改进我的解决方案。

可能是我的选择方法导致了这里的问题，这就是我所拥有的：

%----------------------------selection (fittest half) ----------------

probability=ones(1,population/2);
[,IX]=sort(cost(1:population))
dd=sum(1:population);
probability(1:(population/2))=[1:population/2];
probability=fliplr(probability)/dd;


Indexx=IX(1:population/2);

然后我使用 Indexx 进行交叉等，有人可以提出解决方案吗？

Answer 1

嗯，不仅选择/变异/交叉算子影响不陷入局部最优的能力，而且还影响解决方案的表示和适应度景观。你可以对运营商和代表做点什么，但克服健身环境是很棘手的。但即使如此，也有一些概念。

看看一些多样性保护机制（例如健身共享），我强烈建议看看新颖性搜索。这是一个新的（好吧，可能不再是了，但我把它当作新的:)）概念，你根本不使用适应度来进行选择。还有 NS 和经典的健身驱动搜索的组合，请查看该页面出版物中 Mouret 的论文，或者查看我的硕士论文，该论文都是关于健身和新颖性的结合。

Answer 2

通常，优化求解算法收敛到局部最小值。为了摆脱遗传算法中的这个局部最小值，您可以使用突变。突变适用于一代人的某些个体。通常，突变会很糟糕，使结果更糟，它们不会被选择用于下一代，但有时，突变会导致个体接近不同（有时更好）的局部最小值。突变率越高，搜索的“空间”就越多，找到全局最小值的机会就越大。不过有一个问题；如果变异率太高，算法将不再收敛。

我希望这对您的问题有所帮助。