遺伝的アルゴリズムにおけるクロスオーバー確率

Question

遺伝的アルゴリズムにおけるクロスオーバ確率のポイントは何ですか？

遺伝的アルゴリズムの一般的な手順は以下のとおりです（source）

まず初期集団が生成されます。次に、選択方法（この場合トーナメント選択）を使用して、一対の子供を作成する個人のペアを選択する。

子は、サイズが希望の値に達するまで、子集団に追加されます。

次のステップでは、サイズNの親母集団とサイズMの子母集団を結合し、どちらか一方を置き換えて、両方の母集団から最良のN個の個体を維持する。

N = population size 
P = create parent population by randomly creating N individuals 
while not done 
    C = create empty child population 
    while not enough individuals in C 
     parent1 = select parent ***** HERE IS WHERE YOU DO TOURNAMENT SELECTION ***** 
     parent2 = select parent ***** HERE IS WHERE YOU DO TOURNAMENT SELECTION ***** 
     child1, child2 = crossover(parent1, parent2) 
     mutate child1, child2 
     evaluate child1, child2 for fitness 
     insert child1, child2 into C 
    end while 
    P = combine P and C somehow to get N new individuals 
end while 

もちろん、100人の子供のうちの1人が突然変異するなど、ある確率で突然変異を行いたいかもしれません。

しかし、私はクロスオーバー率の点は見ません。トーナメント選択でペアになった両親が選択され、クロスオーバーが発生しなかった場合はどうなりますか？親は子供の人口に加えられるべきですか？この場合、私たちは親と子どもの人口に重複するメンバーに終わるでしょう。

ここでの目標は、各世代で必要な数の子供を作成することです。これはクロスオーバで行う必要があります。クロスオーバーレートが意味をなさないようにこのアルゴリズムを変更するには？

クロスオーバー確率が100％の場合、すべての子孫は クロスオーバーによって作成されます。それが0％の場合、古い世代の染色体の正確なコピー から完全な新しい世代が作成されます（ただし、これは新しい世代の が同じであることを意味しません）。 Source

交叉確率は0％であれば、全体の世代は古い集団からの染色体の正確なコピーで作られています。それでは、どのように新世代はと同じではありませんか？

Answer 1

アプリケーションによっては、遺伝的アルゴリズムを厳密に実装する必要はありません。擬似コードには多くの曖昧な文があることがわかります。

この例では、クロスオーバが起こらない場合、親と子は同じであり、いつものように変異ステップが適用されます。メインループが何度も評価され、十分なクロスオーバーが得られるため、これは問題ではありません。主な目標は、学習を改善することです。多くの子供を作成することは、必ずしもすべてのアプリケーションでこの目標を達成するとは限りません。

例では、積極的なクロスオーバが実際には良い親を壊してしまい、学習の質が低下する可能性があるということです。クロスオーバレートはそれをある程度保護するかもしれないが、私が言ったように、それはアプリケーションに依存する。

ベスト。

Answer 2

新世代のすべての子は、古い世代の親の「クローン」です。しかし、あなたが "A、B、C、D"の染色体を持つ4つの親を持っていても、 "A、A、C、C、D"の染色体を持つ6つの子を持つことができます。

PS：もちろん、突然変異が適用された場合、その差はさらに大きくなります。