遺伝的アルゴリズム-親の選択とクロスオーバーの確率

カルロス

TutorialsPointのチュートリアル、StackOverflowのこの質問と回答を読みましたしかし、遺伝的アルゴリズムの親選択とクロスオーバープロセスにおけるクロスオーバー確率の意味はまだ理解していません。

サイズが100の母集団があり、交差確率が0.9であるとします。どういう意味ですか?私は:

  • 正確に10人の親を選択する(子孫の90%はクロスオーバーによって作られるため)、または
  • RNGを100回実行し、0.9の確率が失敗するたびに、親を選択しますか?

それから、両親はどういうわけか交差し、何人かの個人は突然変異します。この時点で、人口は正確に100人のメンバーである必要がありますか、それとも次の世代に到達する個人の追加の選択がありますか?

マット

Carcingenicateが述べたように、実装はさまざまです。0.90のクロスオーバー率は、子孫または子の母集団の90%が、親ソリューションでのクロスオーバー操作によって作成されることを示します。これは、子の正確に90%が各世代のクロスオーバーによって生成されるように実装される場合もあれば、確率的に実装される場合もあります(AI_Learningの例で行われるように)。クロスオーバーによって生成された子は、突然変異の影響を受ける場合と受けない場合があります。

親ソリューションの選択方法もさまざまです。より適切な親ソリューションが子孫を生成するために選択される可能性が高く、生成される子孫が何であれ、次世代の親母集団を構成する可能性があります。あるいは、親ソリューションをランダムに選択して子孫を生成することもできます。次に、親と子孫の母集団を組み合わせて選択が実行され、次世代の親母集団が作成されます。

一般に、親の母集団は常に規定の母集団のサイズと等しくなります。ただし、より多くの子孫を生成してから、サブセットのみを選択することは可能です。または、世代ごとに少数の子孫のみが作成され、それぞれが親ソリューションに置き換わる可能性があります。一部の実装では、時間の経過とともに人口サイズが変化する場合があります。おそらく、最初は大規模な人口を使用して探索を促進し、次に人口サイズを時間の経過とともに減らして搾取を促進します。

この記事はインターネットから収集されたものであり、転載の際にはソースを示してください。

侵害の場合は、連絡してください[email protected]

編集
0

コメントを追加

0

関連記事

分類Dev

非遺伝的ケースのMatlab遺伝的アルゴリズム

分類Dev

Rの遺伝的アルゴリズム

分類Dev

mlr遺伝的アルゴリズムの初期集団の選択

分類Dev

Javaと遺伝的アルゴリズムの効率の向上

分類Dev

オーダークロスオーバー(OX)-遺伝的アルゴリズム

分類Dev

遺伝的アルゴリズムの配列ヘルプ

分類Dev

MlroseTSPOpt遺伝的アルゴリズム独自のコスト関数

分類Dev

Pythonの遺伝的アルゴリズムの問題

分類Dev

多項式の遺伝的アルゴリズムの最適化

分類Dev

Matlabの遺伝的アルゴリズムの突然変異段階

分類Dev

遺伝的アルゴリズム-多次元配列の交差

分類Dev

遺伝的アルゴリズムの並列実行

分類Dev

構造体/遺伝的アルゴリズムの使用

分類Dev

遺伝的アルゴリズムトーナメントの選択

分類Dev

遺伝的アルゴリズムの「ユニークな」クロスオーバー-TSP

分類Dev

univeristyタイムテーブルの遺伝的アルゴリズム

分類Dev

遺伝的アルゴリズムでブリーダーを選ぶ

分類Dev

遺伝的アルゴリズム:サイズNの初期母集団の例

分類Dev

遺伝的アルゴリズムでのフィットネス比例選択(ルーレットホイール)の確率リストを生成します

分類Dev

遺伝的アルゴリズム-クロスオーバーと突然変異が正しく機能しない

分類Dev

Java、遺伝的アルゴリズム巡回セールスマン問題

分類Dev

遺伝的アルゴリズムと反復局所探索アルゴリズムの違いは何ですか?

分類Dev

遺伝的アルゴリズムと従来のアルゴリズムを区別する

分類Dev

遺伝的アルゴリズム-どのデータ構造が必要ですか?

分類Dev

NEATアルゴリズム:互いに素な遺伝子と過剰な遺伝子をクロスオーバーする方法は?

分類Dev

低音モデルの遺伝的アルゴリズムのR実装

分類Dev

Matlabの遺伝的アルゴリズムを使用した画像再構成アルゴリズムの最適化

分類Dev

遺伝的アルゴリズムにおける探索と活用の違い

分類Dev

遺伝的アルゴリズム:ランガーマンの機能とトーナメントの選択

Related 関連記事

  1. 1

    非遺伝的ケースのMatlab遺伝的アルゴリズム

  2. 2

    Rの遺伝的アルゴリズム

  3. 3

    mlr遺伝的アルゴリズムの初期集団の選択

  4. 4

    Javaと遺伝的アルゴリズムの効率の向上

  5. 5

    オーダークロスオーバー(OX)-遺伝的アルゴリズム

  6. 6

    遺伝的アルゴリズムの配列ヘルプ

  7. 7

    MlroseTSPOpt遺伝的アルゴリズム独自のコスト関数

  8. 8

    Pythonの遺伝的アルゴリズムの問題

  9. 9

    多項式の遺伝的アルゴリズムの最適化

  10. 10

    Matlabの遺伝的アルゴリズムの突然変異段階

  11. 11

    遺伝的アルゴリズム-多次元配列の交差

  12. 12

    遺伝的アルゴリズムの並列実行

  13. 13

    構造体/遺伝的アルゴリズムの使用

  14. 14

    遺伝的アルゴリズムトーナメントの選択

  15. 15

    遺伝的アルゴリズムの「ユニークな」クロスオーバー-TSP

  16. 16

    univeristyタイムテーブルの遺伝的アルゴリズム

  17. 17

    遺伝的アルゴリズムでブリーダーを選ぶ

  18. 18

    遺伝的アルゴリズム:サイズNの初期母集団の例

  19. 19

    遺伝的アルゴリズムでのフィットネス比例選択(ルーレットホイール)の確率リストを生成します

  20. 20

    遺伝的アルゴリズム-クロスオーバーと突然変異が正しく機能しない

  21. 21

    Java、遺伝的アルゴリズム巡回セールスマン問題

  22. 22

    遺伝的アルゴリズムと反復局所探索アルゴリズムの違いは何ですか?

  23. 23

    遺伝的アルゴリズムと従来のアルゴリズムを区別する

  24. 24

    遺伝的アルゴリズム-どのデータ構造が必要ですか?

  25. 25

    NEATアルゴリズム:互いに素な遺伝子と過剰な遺伝子をクロスオーバーする方法は?

  26. 26

    低音モデルの遺伝的アルゴリズムのR実装

  27. 27

    Matlabの遺伝的アルゴリズムを使用した画像再構成アルゴリズムの最適化

  28. 28

    遺伝的アルゴリズムにおける探索と活用の違い

  29. 29

    遺伝的アルゴリズム:ランガーマンの機能とトーナメントの選択

ホットタグ

アーカイブ