Meine Fragen ist, wenn es genetische Optimierungsalgorithmen gibt, wo die Population i.i.d (independ identisch verteilt) während aller Iterationen behält. Die gängigsten wie NSGA2 oder SPEA2 mischen die aktuelle Bevölkerung mit der vorherigen, so dass die gemischte Bevölkerung nicht länger ignoriert wird. Gibt es aber Algorithmen, bei denen sich die Verteilung der Population während der Optimierung verändert, aber immer noch i.i.d bleibt?Verteilung der Population in genetischen Algorithmen
0
A
Antwort
0
Sie können Fitness Uniform Auswahl https://arxiv.org/abs/cs/0103015 versuchen. Aber IMHO werden die Ergebnisse nicht sehr gut sein.
Verwandte Themen
- 1. Dokumentklassifikation, mit genetischen Algorithmen
- 2. Wie Parameter mit genetischen Algorithmen zu optimieren
- 3. Erzeugen einer Population für den genetischen Algorithmus in C
- 4. Was ist der Unterschied zwischen genetischen und evolutionären Algorithmen?
- 5. Ist es notwendig mit binärer Kodierung in genetischen Algorithmen?
- 6. Was ist der Unterschied zwischen genetischen und zellulären genetischen Algorithmus
- 7. Wie man ein bestimmtes Chromosom in der Population für einen genetischen Algorithmus in DEAP Python setzt
- 8. Schema Überleben in genetischen Algorithmus
- 9. Auswahl nur der oberen x% für die Auswahl in einem genetischen Algorithmus
- 10. Gibt es einen Genetischen Programmiercode geschrieben R
- 11. Gelegentlich Fehler in der Suche nach genetischen Algorithmus
- 12. C++: Variable Template-Parameter (für genetischen Algorithmus)
- 13. Auswahlmechanismus für genetischen Algorithmus
- 14. Analyse von Algorithmen: Warum durchschnittliche Fall-Analyse von Wahrscheinlichkeit und Verteilung der Eingaben abhängt
- 15. Uniform Crossover für Genetische Algorithmen in Java
- 16. Cache-Population in Spring-Controller
- 17. Crossover im genetischen Algorithmus
- 18. Wie können diese Implementierungen eines genetischen Algorithmus wiederholt werden?
- 19. Haben Sie jemals einen genetischen Algorithmus in realen Anwendungen verwendet?
- 20. Python 3.5 - genetischen Algorithmus
- 21. Docusign - Name Felddaten Population
- 22. Dynamische CCK-Felder Population
- 23. Population Monte-Carlo-Implementierung
- 24. Auto-Population MsgBox
- 25. Verteilung der Tabelle in der Zeit
- 26. Animierte Population von RecyclerView
- 27. Aggregationsabfrage für Population
- 28. Google Form Script Population
- 29. ZunderSwipeCards Array Population
- 30. Javascript async Population Array
Warum wollen Sie, dass es identisch verteilt wird, tötet das nicht irgendwie die Idee des Algorithmus? Der einzige mögliche Grund, den ich sehe, ist ein lokales Maximum zu entkommen – Wald
@Wald Sie sind sehr richtig. Die Sache ist, ich fand einen sehr schnellen Algorithmus, um ungefähre Pareto-Ränge zu finden. Dieser Algorithmus benötigt als Eingabe eine Menge von ID-Daten, aber manchmal scheint er auch für nicht-ID-Daten zu funktionieren (ich weiß nicht warum). Meine Idee war, diesen Algorithmus in NSGA2 anzuwenden, aber die Ergebnisse sind bei weitem nicht korrekt. Deshalb suchte ich nach einigen Modifikationen für NSGA2, wo ich den schnellen Algorithmus anwenden konnte, aber ohne Erfolg. Übrigens, kennen Sie einige Anwendungen, bei denen das Wissen über ungefähre Pareto-Ränge nützlich sein könnte? – maxE
um ehrlich zu sein, ich bin nicht wirklich vertraut mit Pareto-Methoden, aber nach einem kurzen Nachschlagen scheint es, dass sie nützlich sein können, wenn Sie eine große genetische Generationen tun. Zum Beispiel, wenn Sie einen genetischen Algorithmus haben, der die statischen Daten für einen anderen inneren genetischen Algorithmus erstellt, da sie eine ganze Weile brauchen würden und die nützlichen Gene für den äußeren Algorithmus einzuengen wären. Auf der anderen Seite bin ich mir ziemlich sicher, dass die Pareto-Ränge nicht wirklich genau sind, wenn Ihre Daten nicht identisch verteilt sind. – Wald