交叉概率对遗传算法/遗传规划有什么影响？

Question

任何人都可以举一个交叉概率的例子吗？我想知道确定交叉概率的好处，以及它在遗传算法或遗传编程中的作用。

Answer 1

根据定义，交叉概率没有收益。它仅仅是一个参数，可以让你调整遗传算法的行为。降低交叉概率会让更多的人在下一代继续保持不变。解决某些问题时，这可能会或可能不会产生积极影响。我在HeuristicLab中创建了一个适用于TSP的遗传算法的小实验。对于TSPLIB（bays29）的一个小实例，每个概率重复10次遗传算法。正如您在下面的图片中看到的，识别图案相当困难。我也上传了algorithm和experiment，你可以在HeuristicLab中打开并试验这些文件。实验包括每次运行和进一步分析的质量图表，以便您可以检查收敛行为。

这也可能是选择的策略过于简单，因而未能表现出的效果。在实验中，不受交叉影响的亲本也通过适应性比例选择来选择。所以一个高素质的人会非常快地占主导地位。一种不同的策略可能是通过健身比例选择仅选择交叉父母，而其余父母则随机选择。结果可以在这里看到（algorithm和experiment）;

您可以用结果使自己的修改和实验。

一个相关的答案可以在这里找到：What is Crossover Probability & Mutation Probability in Genetic Algorithm or Genetic Programming?

Answer 2

我不知道你在问什么。交叉概率就是应用交叉算子的概率 - 范围[0.0,1.0]中的任何实数就是一个例子。

也没有单一的最佳设置。它取决于大量的因素以及算法中与其他设置的复杂关系。例如，如果你有世代通用遗传算法，你希望有一些父母可以在未经修改的情况下存活的可能性。否则，你会失去很好的解决方案。所以你可以将交叉率设置为0.7这样的低点。另一方面，像CHC这样的算法非常强大 - 它始终保持它找到的最佳解决方案，因此使用交叉搜索的动机更广泛，因此它将概率设置为1.0。其他算法完全依赖于突变，并将交叉率设置为0.0。遗传算法的最典型值非常高 - 可能是0.8到1.0。遗传编程经常使用较低的值，可能低至0.3或0.4。

但是，这是所有的点旁边。你必须设计一个算法来支持一些目标。确定交叉频率应该是由于某种原因决定的。如果你所做的只是采用现成的遗传算法并在其中存储一些随机参数，那么它不太可能工作得很好。