それは本当にすべてタイトルにありますが、進化的アルゴリズムに興味がある人のために内訳を以下に示します。
EA では、基本的な前提として、特定の数の生物 (実際には単なるパラメーターのセット) をランダムに生成し、それらを問題に対して実行し、トップ パフォーマーを生き残らせることができます。
次に、生存者の交雑種、生存者の突然変異、および特定の数の新しいランダム生物の組み合わせで再増殖します。
それを数千回繰り返すと、効率的な生物が生まれる。
一部の人々は、生物の複数の「島」を導入するようなことも行います。これは、時々交配が許可されている別々の集団です.
ですから、私の質問は次のとおりです。最適な再増殖率はどのくらいですか?
私は上位 10% のパフォーマーを維持し、30% の交雑種と 30% の突然変異で再移植しています。残りの 30% は新しい生物用です。
私は複数の島の理論も試しましたが、その結果にも興味があります。
これがまさに EA が解決できるタイプの問題であることを忘れてはいません。誰かがそれを試みていることを知っていますか？
前もって感謝します！
GA と EA について私が見つけた最高のリソースは、遺伝的プログラミングに関する John Koza の本でした。彼はトピックを深くカバーしています - ゲノムをコード化する技術、ランダム突然変異、育種、適応度関数の調整。
個人的には、教育目的でほんの一握りのシミュレーターしか作成していません。私が見つけたのは、これらのパーセンテージをどのように調整したかは、使用していたフィットネス関数の詳細、導入したランダムな突然変異の量、突然変異と繁殖をどのように「スマート」にしようとしたかに関連しているということでした。 'smart' ミューテーターとクロスオーバー ロジックを作成しようとしましたが、母集団のフィットネス スコアがより速く改善されました。また、突然変異の確率が保守的すぎることもわかりました。最初の実行は極大値に達し、それらから抜け出すのに苦労しました。
これは具体的な答えを提供しませんが、具体的な答えはないと思います.GAはその性質上予測不可能であり、これらの種類のパラメータを調整することはまだ少し芸術的かもしれません. もちろん、これらのパラメーターを染色体として使用して、実行しているベース GA でより迅速な適合度を生成する設定を検索して、いつでもメタ GA を試すことができます。
どのように「メタ」を取得したいかによって異なります。
私は当初、有機システムがどのようなものであるかをモデル化しようとしました。最終的にそれは良くないと判断し、10% を維持、20% を突然変異、60% を交配、10% をランダムに、より攻撃的にしました。
その後、上位 10% がすべてほぼ同じであることに気付きました。そこで、ランダムを 30% に増やしました。それはいくらかは助けましたが、それほどではありませんでした。
複数の島、世代のスキップ、および再シードを試してみましたが、結果は向上しましたが、依然として非常に満足のいくものではなく、上位 10% の変動がほとんどなく、結果を得るために非常に長い世代数でした。ほとんどのコードは、フィットネス評価をハッキングする方法を学習しました。
トップ パフォーマーを獲得するのは非常に簡単です。交雑種は、ポジティブな特性とネガティブな特性を切り詰めるのに役立つため、有用ですが、実際に取得したいのは、多くの優れたランダム交配です. 突然変異と新しいランダムに焦点を合わせて機能を導入し、交雑種とトップパフォーマーに任せます.最高のものを追跡し、ゆっくりと改良してください。IE: 最後の世代に基づくものは、より良いローカル最大値を見つけるだけであり、ランダムはより良いグローバル最大値を見つけます。
あなたの質問に対する最適な答えは、ショウジョウバエの飛行経路のランダム性に関する最近の記事など、自然現象を観察することで見つけることができると今でも信じています。
おそらく最良の答えは、それを実行して微調整することです。かなり大幅に微調整することを恐れないでください。母集団は堅牢です。保存して続行する方法を必ず実装してください。
これは、(文献やMelanie などの本で)激しく議論されているトピックであり、非常にドメイン固有であるように思われます。n 個のパラメーターを持つ 1 つのタイプの 1 つの問題で機能することは、別の問題、別のドメイン、または別のパラメトリック セットではほとんど機能しません。
したがって、TraumaPony が提案したように、解決しようとしている問題ごとに自分で微調整するか、最適化するために何かを書いてください。あなたができる最善のことは、すべての「ノブをいじる」実験と微調整実験を追跡することです。これにより、ソリューションの地形をマッピングし、そのスペース内で最適化する方法の感触をすばやくつかむことができます。また、ヒルクライムなどの代替テクニックを試して、ベースラインを打ち負かすことができます.
@Kyle Burton: 交叉率と突然変異率は、GA と GP に引き渡された各クラスの問題でも常に議論されています。
上位の X% パーセントのパフォーマーを定量化する方法があると仮定すると、ハードコードされたしきい値を使用する代わりに、パフォーマンス分布を分析し、パフォーマンスが最初に大幅に低下する範囲のどこかにカットオフを設定してからチューニングすることをお勧めします。あなたのクロスブレッド、突然変異、そして新しい有機体がギャップを埋めます。このようにして、多くのバリエーションが成功した非常に「生産的な」実行がある場合、かなりの数のハイパフォーマーを投げることはありません。また、「非生産的」な実行がある場合は、代わりになるはずのより新しい生物を優先して、既存の生物をより多く廃棄することができます.
私は、親染色体からのいくつかの遺伝子からの突然変異と交差を設定することにより、集団の多様性を高めることに成功しました。
これは、突然変異率がゼロになるまで機能します。これを行うには、周期的な進化の圧力がかかる可能性が高いため、これらの遺伝子が最小速度であることを確認する必要があります.
実際には、私は複数染色体の遺伝子型を選択しました。もう一方の生殖機能のためにコード化された一方の染色体。小さい方の「生殖染色体」は、突然変異と交叉の割合が適切に固定されていました。
これにより、人口の古典的な停滞と収束が止まることがわかりました。
余談ですが、私は子供ごとに交叉と突然変異の両方を行う傾向があります。
世代別 GA の場合、私はエリート主義を完全に避けようとしますが、複数の島から居住している場合は、各島のトップ エリートを維持します。島々が一つになると、エリートはすべて一緒に繁殖することができます.
他の人が述べたように、最適な組み合わせは、特定の問題と、ソリューション スペースのサイズなど、その他の問題固有の要因によって異なります。
ある世代から次の世代への進化の内訳について説明する前に、各世代のサイズを考慮することが重要です。一般的に、私のアプローチは、かなり多様な個人のかなり大きな集団 (~100k-500k 個人) から始めることです。最初からこの多様性を得るには、ソリューション スペースをバケットに分割し、少なくとも特定の数の個人が各バケットに分類されるようにします。(例えば、各個体のツリー表現がある場合は、等量が深さ 2、3、...、max_depth で作成されるようにします)
実際の質問に関しては、それにアプローチする明確な方法はありませんが、問題によっては、ランダム性を強調したり、強調したくない場合があります。それを強調したい場合は、そのままにしておく個体を少なくし、より多くの新しいランダムな個体を導入する必要があります。解空間に多くの極大値があり、より広い範囲で検索したい場合、一般的にこれを行います。
内訳を取得するとき、考慮すべきことがいくつかあります... 1つは、重複（上部の近親交配にある多くの同一または新たに同一の個体）です。これを減らすには、世代間の人口を一掃し、重複を新しいランダムな個体または交雑種に置き換えることができます.
とはいえ、私の現在のアプローチは、上位 1% を維持し、上位 20% を新しい 20% に交配し、上位 40% を次の 20% に交配し、上位 90% を交配して次の 20% を生成し、ランダムに残り (39%) を生成します。重複がある場合は、それらを削除して新しいランダムな個体に置き換えます。
多数のランダムな個体が、次の交雑育種中に「突然変異」を追加することに注意する必要があるため、私は突然変異を使用しません.
2 番目の GA を使用して 1 番目の GA の最適なパラメーターを決定することを示唆するいくつかの回答があるようですが、2 番目の最適なパラメーターを決定する方法については言及されていません。このアプローチを提案している人々の宗教的信念について疑問に思わずにはいられません...
あなたは何ができるか知っています... その最適な分布を決定する遺伝的アルゴリズムを書くことができます。
しかし、通常は上位 12% と 28% の雑種を維持します。他はそれぞれ30%。