私はaiクラスのプロジェクトで遺伝的アルゴリズムの研究を行っていますが、従来のアルゴリズムと思われるものについて少し混乱しています。
基本的に、なぜ彼らはルーレット盤のような異なる選択を使用して、再現する親を選択するのだろうか。最高のフィットネススコアを持つ親を選んで、それを1日と呼んでみませんか？
また、クロスオーバーも私を混乱させます。親情報をつなぎ合わせるために、毎回ランダムにポイントを選択します。しかし、以前の情報に基づいてクロスオーバーを変更する方が理にかなっているようです。染色体ストリングがある程度まで良好であることがわかっている場合でも、クロスオーバーはランダムである可能性がありますが、ストリングの良好な部分の範囲内ではありません。
何かご意見は？
最高の親だけを選んだ場合、得られるのはヒルクライミングです。ヒルクライムはうまく機能しますが、問題が難しくなればなるほど、一般的に、それ以上前進できない位置に行き詰まる可能性が高くなります.
一般に、問題が難しいほど、そのような局所的な最適値が多くなります。最良の個体に加えて他の個体を選択することで、母集団の多様性が維持されます。解は検索空間内でさらに分散され、母集団の一部が局所最適にとどまっている場合でも、母集団の別の部分が引き続き成功する可能性があります。進捗。
現代の遺伝的アルゴリズムは通常、集団の多様性を維持して時期尚早の収束を防ぐために多大な努力を払っています。そのためのテクニックの 1 つがフィットネスの共有です。これを行うもう 1 つの簡単な方法は、個体群を異なる種に分割して、異なる種の個体が互いに繁殖できない (またはほとんど繁殖できない) ようにすることです。
クロスオーバーは、突然変異によって生じた個体間でゲノムの良好な部分を分配しようとします。ゲノムの良い部分を交換できれば本当にいいのですが、これは試みられています。たとえば、各遺伝子を見て、その遺伝子を持つ個人の平均適応度を測定できます。
ただし、これには 2 つの主な問題があります。
計算コストが高い。
ゲノムには相互依存性があるかもしれません。測定基準によれば、遺伝子 A は非常によく見えるかもしれませんが、遺伝子 B はそうではないので、除外します。しかし、実際には、遺伝子 B が存在しないと、遺伝子 A は実際には機能しない可能性があります。
最適なものを選択しない => そうしないと、局所的な最適化に行き詰まる可能性が非常に高くなります。同様の理由で、ルーレットの選択は過去のものであり、クールな子供たちはランクベースの選択を使用します (フィットネスごとに子孫を並べ替え、最高の 1/10 を保持し、「進化戦略」をチェックします)。ルーレット選択、別名フィットネス比例選択は、フィットネス スケールが非常に規則的でない場合はうまく機能せず、実際には決して規則的ではありません。
クロスオーバー => 進化戦略は突然変異を使用するだけであり、クロスオーバーがなくてもまったく問題ありません。クロスオーバーは、クロスオーバーが見つける目的関数をいくつかのビットにきちんと分解できると想定しています。ほとんどの遺伝子型では、遺伝子型のさまざまな部分が高度に非線形に関連しています。それは非常に素朴で、おもちゃの問題にのみ当てはまります。クロスオーバー オペレーターを使用する重大な理由がない場合は、それを使用しないでください。
親を 2 人だけ選んで 1 日で終わらせるのは、あまりにも早く解決策に収束してしまいます。多くの異なる変数を同時に調整しようとしています。遺伝的アルゴリズムを使用して部屋の最低点を見つける 2 変数シナリオを想像してみてください。あなたのアプローチは、1 つの局所的な谷の最低点をすぐに見つけることができますが、平面に多くの起伏がある場合、最低点の谷を見つけられないリスクがあります。
クロスオーバー後に種を交換するのはどうですか？
ルーレット選択方式で再生種を選びます。私のクロスオーバー率は0.7（70％）ですが、実際にはそれが何を意味するのかわかりません。これは、70 組の親を選択し、クロスオーバーして、プール内の最悪の 2 組を新しい 2 組に置き換えるという意味ですか? それとも、70/2 = 35 ペアの親を選択し、それらをクロスオーバーして、最悪のものと置き換えるということですか?
私はあなたが新しい子供たちをどの種に置き換えるか本当に知りませんか？プールで子供たちのフィットネスがワースト 2 のフィットネスよりも悪い場合はどうなりますか? 比例選択法のプロセスをルーレットホイールに置き換えて説明してください。
DataWraith はこの質問に非常によく答えたと思います。クロスオーバーに関しては、John Holland が、明示的に計算するのではなく、ランダム化されたクロスオーバーと選択を使用して、各染色体部分文字列 (「スキーマ」) の適合度を暗黙的に計算することで GA が機能すると主張していることを付け加えておきます。DataWraith が言ったように)。Holland は、このプロセスを「暗黙の並列処理」と呼んでいます。
-テッド