algorithm - 缺乏多样化，真的是遗传算法的缺点吗？

Question

我们知道遗传算法(或进化计算)使用我们解决方案空间 Ω 中的点编码而不是直接使用这些点。在文献中，我们经常发现遗传算法有以下缺点:(1)由于许多染色体被编码成一个相似的点Ω或者相似的染色体有非常不同的点，效率很低。你认为这真的是一个缺点吗？因为这类算法在每次迭代中都使用变异算子来使候选解多样化。为了增加更多的多样性，我们只需增加交叉的可能性。而且我们不能忘记我们的初始种群(染色体)是随机生成的(另一个更多样化)。问题是，如果您认为 (1) 是 GA 的缺点，您能否提供更多细节？谢谢。

Answer 1

变异和随机初始化不足以解决称为遗传漂移的问题，这是遗传算法的主要问题。遗传漂移意味着 GA 可能很快失去其大部分遗传多样性，并且搜索以不利于交叉的方式进行。这是因为随机初始种群很快收敛。突变是另一回事，如果它很高，它会多样化，这是真的，但同时它会阻止收敛，并且解决方案将以更高的概率保持在与最佳值的一定距离。您将需要在搜索过程中调整突变概率(而不是交叉概率)。以类似的方式，类似于 GA 的进化策略在搜索过程中调整突变强度。

我们开发了一种称为 OffspringSelection GA (OSGA) 的 GA 变体，它在交叉后引入了另一个选择步骤。只有那些超过 parent 适应度(更好、更差或任何线性插值)的 child 才会被接受。通过这种方式，您甚至可以使用随机 parent 选择，并将偏见放在后代的质量上。已经表明，这会减缓遗传漂移。该算法在我们的框架中实现 HeuristicLab .它具有一个 GUI，因此您可以下载并尝试解决一些问题。

其他对抗遗传漂移的技术是小生境和拥挤，它们让多样性流入选择中，从而引入另一种但可能不同的偏差。

编辑:我想补充一点，具有相同质量的多个解决方案的情况当然会造成问题，因为它会在搜索空间中创建中性区域。但是，我认为您并不是那个意思。主要问题是遗传漂移，即。 (重要)遗传信息的丢失。