一、遗传算法
遗传算法
注意：今天和明天，我们将经历大量和大量的进化算法组件的例子（我会给您提供大量的建筑块来试验到以后…）
遗传算法快速概述
• 开发：1970 年代的美国
• 早期名字：J. Holland 和 K. DeJong (1975)
• 通常应用于：
– 离散和持续优化
• 属性特征：
– 不要太快
– 对组合问题的良好启发
• 特殊功能：
– 传统上强调结合好父母的信息（交叉）
– 许多变体，例如繁殖模型、操作符
Holland 的原始遗传算法现在被称为简单遗传算法 (SGA)
• 其他 GA 使用不同的：
– 陈述
– 突变
– 交叉
– 选择机制
SGA 总结
表示 || 二进制字符串
再组合 || N点或均匀
突变 || 具有固定概率的按位翻转
父选择 || 适配比例
幸存者选择 || 所有孩子都代替父母
特性 || 强调交叉
表示
表型空间 <–>基因型空间（编码解码）
生殖周期
1.为交配池选择亲本（交配池大小=种群大小）
2.对于每个连续的配对应用概率Pc的交叉，否则复制双亲
3.对每个子代应用突变（位翻转，每个位的概率Pm独立）
4.用产生的后代替换整个种群
SGA运算符：选择
主旨：好的人得到更高的机会
–机会与健康成比例
–实施：轮盘赌技术
•为每个人分配一部分轮盘赌
•旋转轮子n次，选择n个人
SGA运算符：1点交叉
• 在两个父节点上随机选择一个点
• 在此交叉点拆分父母
• 通过交换尾巴创造孩子
• Pc 通常在 (0.6, 0.9) 范围内
SGA 运算符：变异
•使用PM独立改变每个基因
•PM称为突变率
- 通常在1 / pop_size和1 / chromosome_length之间
一个例子 [Goldberg '89]
• 简单问题：{0,1,…,31} 上的最大 f(x)=x的平方
• 遗传算法方法：
– 表示：二进制代码，例如 01101 « 13
– 人口规模：4
– 1 点交叉，按位变异
– 轮盘选择
– 随机初始化
• 我们展示了一个手工完成的世代循环
选择
交叉
突变
简单遗传算法
• 是许多（早期）研究的主题
– 很长一段时间内经常用作新型 GA 的基准（现在不再…）
• 显示出许多缺点，例如，
– 代表过于严格
– 变异和交叉仅适用于位串和整数表示
– 可以通过明确的幸存者选择来改进世代人口模型（SGA 代表循环中的第 6 步）
替代交叉算子
单点交叉的性能取决于变量在表示中出现的顺序
–更有可能将彼此接近的基因保持在一起
–无法将来自弦两端的基因结合在一起
–这就是所谓的位置偏差
–如果我们知道问题的结构，就可以利用，但通常情况并非如此
n点交叉
•选择n个随机交叉点
•沿这些点拆分
•粘合部件，在父母之间交替使用
•概括1点（仍然存在一些位置偏差）
均匀交叉
•将“头”分配给父母一方，将“尾”分配给另一方
•为第一个孩子的每个基因掷硬币
•为第二个孩子制作基因的反向拷贝
•继承与地位无关
二、交叉还是变异（讨论）
交叉或变异？
一场长时间的辩论：哪一个更好/必要/主要还是次要。
交叉还是变异？
•长时间的辩论：哪一个更好/必要/主要
•回答（至少，相当广泛的一致意见）：
–这取决于问题，但是
–一般来说，两者兼备是好事
–两者都有不同的角色
–仅突变EA是可能的，但仅突变EA一般不起作用
探索：在搜索空间中发现有前景的领域，
即，获取有关问题的信息。
开发：在有前景的领域内进行优化，即使用现有信息。
• 交叉是探索性的，它大跃进到两个（父）区域“中间”的某个区域
• 变异是剥削性的，它会产生随机的小转移，从而保持在父级附近（在其区域内）（注意：在优化的不同阶段，操作符可以产生不同的效果）[注意：并不总是正确的]
•只有交叉才能组合来自双亲的信息
•只有突变才能引入新信息（等位基因）
•交叉不会改变群体的等位基因频率（思维实验：50%的0在群体的第一位，？%在进行n次交叉后）
•为了达到最佳状态，你通常需要一个“幸运”的突变
三、排列表示
•排序/排序问题形成一种特殊类型
•任务是（或可以通过）按一定顺序排列一些对象
–示例：排序算法：重要的是哪些元素出现在其他元素之前（顺序）
–示例：旅行商问题（TSP）：重要的是哪些元素相邻出现（相邻）
•这些问题的解决方案通常表示为排列：
–如果有n个变量，则表示为n个整数的列表，每个整数正好出现一次
•问题：
•给定n个城市
•以最短的行程完成完整的旅行
TSP是NP难问题
•编码：
•标记城市1、2、…、n
•一次完整的巡演是一次排列（例如，对于n=4）
[1,2,3,4]，[3,4,2,1]正常）
•搜索空间很大：30个城市有30个！» 1032个可能的旅行
突变算子进行排列
•正常变异算子导致不可接受的解决方案
–例如，位突变：让基因i具有值j
–更改为其他值k意味着k出现两次，j不再出现
•因此必须至少改变两个值
•变异参数现在反映了某些运算符对整个字符串应用一次的概率，而不是在每个位置单独应用
插入序列的突变
•随机选取两个等位基因值
•移动第二个以跟随第一个，移动其余的以适应
•请注意，这样可以保留大部分顺序和相邻信息
交换突变进行排列
•随机挑选两个等位基因并交换位置
•保留大部分邻接信息（4个链接断开），更多地扰乱顺序
置换的倒位突变
•随机挑选两个等位基因，然后反转它们之间的子串。
•保留大多数邻接信息（仅断开两个链接），但破坏订单信息
排列的置乱突变
•随机挑选基因子集
•随机重新排列这些位置的等位基因
（注意：子集不必是连续的）
置换的交叉算子
•“正常”交叉运算符通常会导致不可接受的解决方案
•设计了许多专门的运算符，其重点是组合来自双亲的顺序或邻接信息
顺序交叉（版本1）
其思想是保持元素发生的相对顺序。
非正式程序：
1.从第一个父级中选择任意部分
2.将此部分复制到第一个孩子
3.将不在第一部分的数字复制到第一个孩子：
•从复制零件的切割点开始，
•使用第二个父级的顺序
•末端缠绕
4.与第二个孩子类似，父母角色颠倒
顺序交叉（版本2）
其思想是保持元素发生的相对顺序。
非正式程序：
1.从第一个父对象中选择任意最左边的部分
2.将此部分复制到第一个孩子
3.将不在第一部分的数字复制到第一个孩子：
•从复制零件的切割点开始从左向右，
•使用第二个父级的顺序
•末端缠绕
4.与第二个孩子类似，父母角色颠倒
顺序交叉示例（版本1）
从第一个父级复制随机选择的集
按顺序1、9、3、8、2从第二个父级复制其余部分
部分映射交叉（PMX）
父母P1和P2的非正式程序：
1.选择随机段并从P1复制
2.从第一个交叉点开始寻找尚未复制的P2段中的元素
3.对于这些中的每一个，我都会在后代看，看看j已从p1中复制了什么
4.将I放入P2中占用的职位，因为我们知道我们不会在其中放置J（如已在后代）
5.如果P2中的J中占用的位置已经填充在后代K中，则将I放入P2中k占用的位置
6.从交叉段处理元素，可以从P2填充后代的其余部分。
第二个孩子是类似地创建的
注意：{5-6}和{7-8}在父母身上，但只有{5-6}在孩子中。
循环交叉
基本想法：
每个等位基因都来自一个父母在一起的位置。
非正式程序：
1.按照以下方式从P1中进行一系列等位基因。
（a）从P1的第一个等位基因开始。
（b）在P2中的相同位置看等位基因。
（c）在P1中使用相同等位基因的位置。
（d）将此等位基因添加到循环中。
（e）重复步骤b至d直到您到达P1的第一个等位基因之前。
2.将第一个孩子的周期等位在第一个父母中的位置上。
3.从第二个父母接下来循环
第1步：识别周期
第2步：将备用周期复制到后代
边缘重组
通过构造一个表列表，其中两个父母中存在的边缘，如果边缘普遍，标记为a +
例如 [1 2 3 4 5 6 7 8 9]和[9 3 7 8 2 6 5 1 4]
通过构造一个表列表，其中两个父母中存在的边缘，如果边缘普遍，标记为a +
例如 [1 2 3 4 5 6 7 8 9]和[9 3 7 8 2 6 5 1 4]
边缘重组2
一旦构建边缘表的非正式程序
1.随机选择初始元素并将其放入后代
2.设置变量当前元素=条目
3.从表中删除对当前元素的所有引用
4.检查当前元素列表：
- 如果有一个公共边，则选择它是下一个元素
- 否则选择列表中的条目本身具有最短列表
- 围绕随机分开
5.在到达空名单的情况下： - 检查后代的另一端是为了扩展
- 否则将随机选择新元素
多种重组
•召回我们不会被大自然的实际收缩
•注意到突变使用1个父母，以及“传统”交叉2，延伸到A> 2是自然的检查
•自20世纪60年代以来一直存在，仍然很少，但研究表明了一些有用性
•三种主要类型：
- 基于等位基因频率，例如，P-性投票推广均匀的交叉
- 基于父母的分割和重组，例如对角线交叉推广n点交叉
- 基于实际等位基因上的数值操作，例如，群众交叉中心，普通算术重组算子
人口模型
•SGA使用所谓的世代模型：
- 每个人都刚刚生存一代
- 整个父母被后代所取代
•在比例的另一端是稳态模型（SSGA）： - 每代产生一个后代，
- 替代人口的一员，
•生成差距 - 替换人口的比例
-1.0对于SGA，1 / POP_SIZE for SSGA
注意：在EA中有许多事情，许多事情将多于或更少工作。
经验是关键，这就是为什么有编程分配
基于健身的竞赛
•选择可能发生在两个地方：
- 从当前生成选择以参与交配（父选择）
- 从父母+后代选择，进入下一代（幸存者选择）
•选择运营商在整个人身上工作 - 即，他们是独立的
实现示例：SGA
•单个i的预期副本数
E（ni）=µ•f（i）/fñ
（µ=pop.size，f（i）=i的适合度，áfñpop中所有适合度的总和。）
•轮盘赌算法：
–给定一个概率分布，旋转一个单臂轮子n次，做出n个选择
–不保证ni的实际价值
•贝克随机均匀抽样（SUS）算法：
–n均匀分布在轮子上的手臂，旋转一次
–担保下限（E（ni））£ni£ceil（E（ni））
适应度比例选择（FPS）
•问题包括
- 如果剩余的人口较少，一个高度适合的成员可以迅速接管：过早收敛
- 在健身相似时，在运行结束时，丢失选择压力
- 高易受功能转换（见下一个幻灯片）
•缩放可以修复最后两个问题 - 窗口：f’（i）= f（i） - b t
•其中B是最糟糕的健身（最后n）代 - Sigma缩放：F’（i）= max（f（i） - （áfÑ-c•sf），0.0）
•其中C是常数（通常2.0），SF是标准偏差，áfÑ是平均的健身
基于等级的选择
•尝试通过基于相对而非绝对适合的选择概率来消除FPS的问题
•根据健身排列人口，然后在最适合排名μ和最差等级的等级上的基础选择概率
•这在算法上强加了排序开销，但与健身评估蒂相比，这通常可以忽略不计
锦标赛选拔
•上述所有方法均依赖全球人口统计
–可能是一个瓶颈，尤其是在并行机器上
–依赖于可能不存在的外部适应功能的存在：例如进化的游戏玩家
•非正式程序：
–随机挑选k个成员，然后从中选出最好的
–重复以上步骤以选择更多个人
•选择i的概率取决于：
–i级
–样本大小k
•k值越高，选择压力越大
–参赛者是否被替换
•挑选而不更换会增加选择压力
–是否最合适的选手总是获胜（确定性的），或者这发生在概率p
我们今天看到的是：
•所谓的“简单GA”（专注于位串）及其组件
•用于排列的多个运算符（组分配！）