genetic-algorithm - 为什么需要遗传算法中的适应度缩放？

Question

在阅读 David E. Goldberg 的《Genetic Algorithms》一书时，他提到了 Genetic Algorithms 中的 fitness scaling。

我对这个功能的理解是限制最强的候选者，这样他们就不会为了繁殖而淹没池子。

为什么要限制最佳候选人？在我看来，尽早拥有尽可能多的最佳候选人将有助于尽快找到最佳解决方案。

Answer 1

如果你早期的最佳候选人后来证明是进化的死胡同怎么办？比如说，你的早期最适者候选人是强大的大代理人，他们支配着更小、更弱的候选人。如果所有较弱的动物都被淘汰，你就会被大型野兽困住，这些野兽可能对环境的某个方面有弱点，而弱者可以应对:想想小行星撞击后的恐龙与小型哺乳动物。或者，在 GA 中更有可能出现这种情况的更具确定性的环境中，较弱的候选者可能距离探索适应性景观的全新富有成果的部分只有一个或一小部分进化步骤:想象一下弱小的小动物进化飞行，开辟了一个全新的可能性世界，大型野兽很可能永远不会触及。

潜在的问题是，您早期最强的候选者实际上可能处于适应性空间的局部最大值内或附近，这可能很难摆脱。可能较弱的候选者实际上更接近全局最大值。

无论如何，通过积极修剪种群，您可以减少种群的遗传多样性，这通常会减少您覆盖的搜索空间并限制您搜索该空间的速度。例如，也许您的最佳候选者相对接近全局最佳解决方案，但仅仅近亲繁殖该组可能不会使其更接近它，​​您可能必须等待足够多的随机正突变发生.然而，也许您想要剔除的弱候选基因中的某些基因本身并没有多大帮助，但当与强候选基因的基因杂交时，可能会导致进化上的巨大飞跃!想象一下，比如说，一个人类与蜘蛛 DNA 杂交。