在遗传编程中实现交叉

Question

我正在编写一个遗传编程（GP）系统（在C中，但这是一个小细节）。我读过文献（Koza，Poli，Langdon，Banzhaf，Brameier等）的lot，但有一些实现细节我从未见过。例如：

我使用的是稳定状态人口而不是代际方法，主要是使用计算机的所有内存，而不是为临时人口保留一半。

Q1。在GP中，与GA相比，当你进行交叉时，你选择了两个父母，但你是否创建了一个或两个孩子，还是你有自由选择？ Q2302。在稳态GP中，与分代系统相反，通过交叉替换创建的孩子是什么人？这是我没有见过的。这是两个父母，还是两个随机选择的成员？我可以理解，如果是后者，并且你可能使用否定比赛选择来选择要替换的成员，但是这不会造成早熟收敛吗？ （交叉事件后，人口包含两个原始父母加上这些父母的两个孩子，另外两个随机成员被删除，精英主义是固有的。）

Q3。有关于GP的Web论坛或邮件列表吗？奇怪的是我没有找到一个。雅虎的GP团队几乎专门用于公告，Poli/Langdon实地指南论坛几乎没有声音，而GP就像gamedev.net这样的一般/游戏编程网站进行的讨论非常基础。

感谢您提供任何帮助！

Answer 1

首先，放松一下。

GP中没有“正确”的方法。 GP比科学更艺术。尝试很多方案并选择最适合的方案。

Q1：1,2或许多。你选。

Q2：替换，1,2，全部。或者尝试一些精英主义。

Q3：你可能不会找论坛讨论这些问题B/C没有正确/最好的答案。抱歉。

PS。在我的研究中，交叉从未真正执行好...

Answer 2

1. 正如雷说，它主要是由你，但通常在一个稳定状态的设置，你只会创建一个单一的后代。

2. 同样你有选择。我不会取代父母。如果他们根据自己的健康状况被选为父母，那么你可能会淘汰一些最适合的人群。最简单的就是随机选择一个人来替换。或者，您可以替换最不合适的个人，但这可能会导致过早融合。另一种选择是使用与选择父母时使用的相同的选择策略，但使用逆适应性，以使其偏向不适合的个体。

3. 你可以试试USENET上的comp.ai.genetic（和Google Groups）。

Answer 3

如果你可以阅读Python，你可能想看看Pyevolve。我主要在GA方面参与其中，但它也支持GP。也许你可以在那里得到一些提示。

Answer 4

这听起来像你的一些问题不一定是特定于遗传编程;如果那是真的，你可能有一些运气在NEAT Users Group询问人们。

他们主要讨论Augmenting Topologies（或NEAT）算法的神经元演化，这是一种用于演化神经网络的遗传算法。但精英主义和交叉策略等主题相当普遍，可以应用于GA和GP算法。

否则，正如Dan和Ray所说的，许多这些决定是在对特定软件和领域进行实验之后做出的。尝试将你的算法应用于不同的问题，并注意它的行为 - 一段时间后，你可能会发现什么有效，什么不可行的直觉。

Answer 5

Q1是你的选择，但单身孩子可能会更常见。每次你选择父母的彩票时，你都在施加选择压力，这是你想要的。第二季度：负面比赛的选择是正确的方法。是的，失去低健身成员的人群最初会导致快速收敛，但是一旦你的人群进入了难以搜索的解决方案空间部分，它就不会像那些失去锦标赛/彩票。你要做什么做要提防的是基因库的停滞;我建议监测基因组的熵以追踪其异质性。 “精英主义是固有的” - 好吧，是的，这就是重点！ ;-)

Q3：comp.ai.genetic可能是你最好的选择。有时候这个话题会在游戏开发论坛中找到，就像Gamasutra一样。

P.S.遗传编程 in C？！？你如何确保后代的生存能力？以非同心圆语言进行遗传编程是一个真正的挑战。

Answer 6

查看MetaOptimize.com满足您的需求。

Answer 7

我会创造无限数量的后代，但只有在成功的基础上，让老年人死亡。缺乏健身也会导致早逝。这似乎遵循自然顺序。

Answer 8

Q1. In GP, as opposed to GA, when you perform crossover you select two parents but 
do you create one child or two, or is that a free choice you have? 

是它的你的选择;但通常情况下，创建许多具有相同父母的人是不可取的，因为由同一父母创造的个人趋势之间的差异将非常有限，并且可能花费处理速度和记忆，这可能花费在表现出不同趋势的其他个人以及需要分析的行为（但如果进化过程接近达到其终点，则创造更多个体不会成为问题）。

Q2. In steady state GP... 

建议根据您采用的健身功能提供的排名替换个人。