我正在用Python实现一个GA,需要存储一个1和0的序列,所以我将我的数据表示为二进制文件.那个最好的数据结构是什么？简单的字符串？
假设C引用一组容器{c1,c2,c3....cn},其中每个容器包含一组有限的整数{i1,i2,i3...im}.此外,假设整数可能存在于多个容器中.给定一组有限的整数S {s1,s2,s3...sz},找到C包含所有整数的最小子集的大小S.
请注意,可能有数千个容器,每个容器有数百个整数.因此,蛮力很难解决这个问题.
我尝试使用Greedy算法解决问题.也就是说,每次我选择集合中整数最多的容器时S,我都失败了!
有谁能建议这个问题的快速算法？
我正在使用genalg包进行遗传算法.基因是二元是自然的,结果将指定
基因的长度是269,很难理解哪个是难以理解的.有没有办法从中提取结果并将其放在数据框中？
cat(summary.rbga(GAmodel))
GA Settings
Type = binary chromosome
Population size = 100
Number of Generations = 100
Elitism = TRUE
Mutation Chance = 0
Search Domain
Var 1 = [,]
Var 0 = [,]
GA Results
Best Solution : 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 …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？
我已经实施Roulette wheel selection了GA.
TotalFitness=sum(Fitness);
ProbSelection=zeros(PopLength,1);
CumProb=zeros(PopLength,1);
for i=1:PopLength
ProbSelection(i)=Fitness(i)/TotalFitness;
if i==1
CumProb(i)=ProbSelection(i);
else
CumProb(i)=CumProb(i-1)+ProbSelection(i);
end
end
SelectInd=rand(PopLength,1);
for i=1:PopLength
flag=0;
for j=1:PopLength
if(CumProb(j)<SelectInd(i) && CumProb(j+1)>=SelectInd(i))
SelectedPop(i,1:IndLength)=CurrentPop(j+1,1:IndLength);
flag=1;
break;
end
end
if(flag==0)
SelectedPop(i,1:IndLength)=CurrentPop(1,1:IndLength);
end
end
现在我是想实现rank selection在GA.我了解到:
排名选择首先对人群进行排名,然后每个染色体从该排名中获得适应性.
最差的将是健身1,第二差2等等,最好的将具有适应度N(人口中的染色体数量).
首先,我将对人口的健身价值进行排序.
然后,如果人口数量是10,那么我将给予人口选择的概率,如0.1,0.2,0.3,...,1.0.
我的实施:
NewFitness=sort(Fitness);
NewPop=round(rand(PopLength,IndLength));
for i=1:PopLength
for j=1:PopLength
if(NewFitness(i)==Fitness(j))
NewPop(i,1:IndLength)=CurrentPop(j,1:IndLength);
break;
end
end
end
CurrentPop=NewPop;
ProbSelection=zeros(PopLength,1);
CumProb=zeros(PopLength,1);
for i=1:PopLength
ProbSelection(i)=i/PopLength;
if i==1
CumProb(i)=ProbSelection(i);
else
CumProb(i)=CumProb(i-1)+ProbSelection(i);
end …我正在尝试了解遗传算法原理。我正在关注这个http://www.ai-junkie.com/ga/intro/gat2.html和本教程：第二个教程。这两个教程都提到了搜索空间（可能存在解决方案的空间）中的个体和染色体等术语。
在学习第二个教程时，我以某种方式从那里读到个体实际上与染色体相同。那么群体中的解决方案真的是染色体吗？如果是这样，为什么还要使用“个人”这个词呢？
我正在 Python 中使用 DEAP 包编写一个程序，用于使用进化算法（特别是遗传算法）进行优化。
我需要使用 python 中的列表类型创建染色体。该染色体应该有五个不同范围的浮动基因（等位基因）。
我的主要问题是创造这样的染色体。但是，如果我可以使用 deap 包的 tools.initRepeat 函数来实现这一点，那就更好了。
对于所有基因都在同一范围内的情况，我们可以使用以下代码：
import random
from deap import base
from deap import creator
from deap import tools
creator.create("FitnessMax", base.Fitness, weights=(1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)
IND_SIZE=10
toolbox = base.Toolbox()
toolbox.register("attr_float", random.random)
toolbox.register("individual", tools.initRepeat, creator.Individual,
toolbox.attr_float, n=IND_SIZE)
我从这里得到的。
有没有办法在不使用任何外部库(Boost等)的情况下将std :: bitset <64>转换为double？我使用bitset来表示遗传算法中的基因组,我需要一种方法将一组位转换为double.
首先,这是家庭作业的一部分.
我正在尝试实现遗传算法.我很困惑选择父母交叉.
在我的笔记中(显然有些不对劲)这是作为例子所做的事情;
但是当应用第二步时,选择的染色体计数等于第一步中发现的结果.由于随机性,这并不总是得到保证.
所以这没有任何意义.我搜索选择父母进行交叉,但我发现的是交叉技术(单点,切割和切片等)以及如何在所选父母之间进行交叉(我对这些没有问题).我只是不知道哪个染色体应该选择交叉.有什么建议或简单的例子？
问题:
我在R中使用一个循环从两个("父")向量创建一个新向量,为新向量中的每个位置生成一个随机值,该值位于父对象在此位置的值范围内(它是为遗传算法中的交叉阶段).请注意,我不想要x和y的平均值,而是要求各个位置上的值范围内的随机值.
示例代码:
x = c(0.1, 0.7, 1, 0.8)
y = c(0, 0.9, 0.2, 1)
child = rep(NA, length(x))
for(i in 1:length(x)){
child[i] = sample(seq(min(x[i], y[i]),
max(x[i],y[i]), by=0.01), 1)
}
# This might yield, for example: 0.02 0.83 0.73 0.88
题:
它工作正常,但我想也许有一种更有效的方法来做到这一点(因为我需要在数千次迭代中的每一次为100-1000个人做这件事).在R,有喜欢漂亮的快捷功能ifelse,colMeans,max.col,match,rollmean,等,在载体的工作,所以我想知道,是否有类似的东西,我的目的呢？(根据apply我的理解,这个团伙可能在这里帮不了多少).或者像这样的循环真的是我能做的最好的？