0
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
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