直感的に、「最高の」パラメータ セットを見つけたい場合は、多くの子供たちのサブセットから最高のパフォーマンスを発揮する 1 人の男を選び、その男に自分に似た 100 人の子供を生成させ、最高のパフォーマーを選ぶことができると思います。繰り返します。ベスト 2 を選んで交配することは、具体的にどのような目的に役立ちますか? さらに言えば、3 人、4 人、または 10 人の親 (「乱交由来」の接合子) を選択して、各世代の子供を作成してみませんか?
質問する
1228 次
4 に答える
4
「たくさんの子供たちのサブセットから」-それらの子供たちはどのように作られましたか、そしてどのようなメカニズムが彼らを互いに異なるものにしますか？「自分と同じように100人の子供を生成する」-自分とまったく同じではない場合、どのようなメカニズムで子供を同じようにしますが、同一ではありませんか？
有性生殖は、これらの質問に答えるメカニズムです。有性生殖を通して、あなたは健康な個人の遺伝子で構成された新しい組み合わせを作成します。多様性と新しい組み合わせを作成するためのメカニズムとしてランダムな突然変異だけを使用することは、それが言うことです-ランダム-暗闇の中でのショット。有性生殖は、成功した個人の遺伝子を使用して新しい組み合わせを作成しますが、これは単純にランダムではありません。
性的対無性のどちらが良いかという質問は良い質問であり、性的対無性のこのトピックに関する記事はたくさんありますが、すべてが性的を好むわけではありません。あなたがあなたの質問で提案した代替案がそれらの中にあるかどうかはわかりませんが、成功した無性のメカニズムがあります。
于 2012-07-07T23:34:21.207 に答える
1
親の数が少ないほど、局所最適条件 (あまり良くない局所最適条件) に長期間陥る可能性が高くなります。親が 1 つしかないため、残された唯一の検索メカニズムは個々の突然変異です。
親が多ければ多いほど、最初に生殖のために選択された元の親に関するものを把握する可能性は低くなります. 詳細は n 項交差がどのように機能するかによって異なりますが、直観的には、親が多いほど、特定の親からの遺伝物質が少なくなり、子供が受け継ぐ可能性が低くなります (したがって、両親の有益な多染色体形質を改善します。
これは、スキーマ定理に関連しています。
于 2012-07-08T14:26:34.197 に答える
1
このように考えてみてください: あなたの最高の成績を収めた男性は、おそらく 10 項目中 3 項目で平均よりも優れているとしましょう。領域: 突然変異に応じて、おそらく 4 または 2 です。しかし、最高の成績を収めた男と最高の成績を収めた少女は、おそらく 10 項目のうち 5 項目で優れています (彼は 3 項目で平均よりも優れており、彼女は 3 項目で平均よりも優れており、おそらく 1 項目で重複する場合があります)。かなりの数の子供がいた5 つの領域で平均よりも優れている (そしておそらく、そのうちの 1 つが利点を継承していない可能性があります。これが休憩です)。そして、その 5 領域のアドバンテージの子供が別の 5 領域のアドバンテージの子供と交配した場合、アドバンテージが重複する可能性は高くなりますが、(私たちの「10 遺伝子」の世界では) グランド -子供はさらに有利な遺伝子を持っています）。
遺伝的アルゴリズムの真の核心は、複雑な環境におけるいくつかの特性の再結合です。通常、コントロール パネルのすべてのノブを一度にいじるのが最適化の良い方法だとは思わないため、直感的ではありませんが、多くのパラメーターがあり、それらが完全に独立している場合は、そうなる可能性があります。
于 2012-07-08T00:37:27.777 に答える
0
技術的には、母集団に乱交由来の接合体を含めることはできますが、(少なくとも私の知る限りでは) それらが多様性やアルゴリズムによって見つかった最終結果を改善するという数学的証拠はありません。その上、乱交オペレーター (あなたの用語を使用する場合) は、単純な 2 つの親の種類よりも複雑であり、学生が簡単に理解する傾向がありません。したがって、それらは宣伝されません (許可されていないという意味ではありません)。
実際には、GA で単一の親と二重の親の両方を組み合わせて使用できます。1 つの回答が既に指摘したように、単一の親要素はローカル検索と同等であり、技術的にはミーム アルゴリズムを実装することになります。これは通常、単純な GA の改善です。
于 2012-07-13T15:06:44.040 に答える