这真是所有的称号，但在这里是一个任何人破坏谁是有兴趣在进化算法：进化算法：最优复育故障
在EA，基本前提是，你随机生成一定数量的生物体（它们实际上只是一组参数），针对问题运行它们，然后让最优秀的员工生存下来。
然后与幸存者的杂种，幸存者的突变，也一定数量的新的随机生物的组合重新填充。
做了几千次，高效生物。
还有些人不喜欢的东西引入多个生物的“岛”，这是被允许在一段时间配种一次单独的群体。
所以，我的问题是：什么是最佳的重新填充百分比？
我一直保持前10％的表演，并用30间％的杂种和30点％的突变再植。其余的30％用于新生物体。
我也试过了多岛理论，我也对你的结果感兴趣。
这并不意味着这正是EA可以解决的问题类型。你知道有人试过吗？
在此先感谢！
我最初试图模拟我认为有机系统是什么样的。最终决定这样做并不好，并且更加积极，保留10％，20％突变，60％杂交和10％随机。
然后我发现我的前10％都大致相同。所以我把随机数增加到了30％。这帮助了一些，但并不多。
我确实尝试过多个岛屿，跳跃和重新种植，这些都给出了更好的结果，但仍然非常不令人满意，前10％的变化很小，几代人都疯狂地获得任何结果。大部分代码都学会了如何破解我的健身评估。
要得到最佳表现者真的很容易，所以不要担心让他们太多。杂交有助于减少积极和消极的特征，因此它们很有用，但真正想要得到的却是很多随机育成的杂交品种。专注于突变和新随机引入特征，让杂交种和优秀表演者只是追踪最好的并且更慢地改进它们。 IE：基于上一代的东西只是找到一个更好的本地最大值，随机找到更好的全局最大值。
我仍然相信你的问题的最佳答案，可以通过观察自然现象，如在关于果蝇的飞行路径的随机性最近的一篇文章中找到，这样就可能做成。
也许是最好的答案是，只要运行它，并调整它，不要害怕调整它相当严重，人口是稳健的。确保你实现了一种保存和继续的方式。
你知道你可以做什么...你可以编写一个遗传算法来确定最优分布。
但是，通常我保留前12％和28％杂交;其他各为30％。
我遇到了GA和EA最好的资源是在Genetic Programming约翰·科萨的书。他深入讨论了这一主题 - 编码基因组的技术，随机变异，育种，调整适应度函数。
就我个人而言，我只写了一小部分模拟器用于教学目的。我发现的是，我如何调整这些百分比与我使用的适应度函数的细节有关，我引入了多少随机变异，以及我试图做出突变和育种的'聪明' - 我发现较少'聪明'我尝试做出变异和交叉逻辑，人口提高其健康评分的速度越快 - 我也发现我对变异的概率过于保守 - 我的初始运行达到当地最大值，并有一个很难摆脱他们。
没有这个给你具体的答案，但我不认为有具体的答案，GA是其性质不可预测和调整这些类型的参数可能仍然是一个有点艺术。当然，你总是可以尝试一个meta-GA，使用这些参数作为染色体，寻找能够在你正在运行的基础遗传算法中产生更快适应性的设置。
取决于你想获得'元'的方式。
这是一个引起激烈争论（在文学和Melanie, et al books）这似乎是非常特定领域的话题。对于具有n个参数的一种类型的问题，适用于另一个问题，另一个域或另一个参数集几乎不适用。
所以，作为TraumaPony建议，自己调整它为你解决每个问题或写东西来优化它。您可以做的最好的事情是跟踪所有“旋钮旋转”和微调实验，以便绘制出解决方案的地形并感受如何在该空间内快速优化。另外尝试像爬山这样的替代技术，这样你可以有一个基线击败。
@Kyle伯顿：交叉与突变率也每班交给了天然气和全科医生的问题constantly debated。
假设您有一种方法可以量化前X％的表现者，我建议您不要使用硬编码的阈值，而是分析表现分布并使其在第一次主要表现下降的范围内进行分析，然后调整你的crossbreads，突变和新生物来填补空白。这样，如果你有一个非常“富有成果”的运行，其中很多变化是成功的，你不会抛出大量的高绩效者。此外，如果你有一个“非生产性”的运行，你可以取消更多的现有生物，转而使用更多更新的生物体，以取代它们。
有趣的 - 所以你可以摆动你的阈值一点。的确，有时候一场糟糕的比赛会造成一种冰河时代效应，杀死许多非常聪明的有机体。我想你可以说这是这个过程的一部分，但是，呃？有点像蟑螂如何在核冬天生存。 – 2008-09-25 14:06:46
我其实从事建模和仿真工作，而不是从事遗传编程工作，但当我们想要一个模型到达最终状态时，这就是我们所采取的方法，但我们不知道将会到达的起始状态。 – 2008-09-26 01:06:10
有似乎是一些答案使用第二GA确定为第1 GA最佳参数表明，没有提到如何确定第二最佳参数。我不禁想知道那些暗示这种方法的宗教信仰...
我已经取得了一些成功，由一对夫妇从父染色体的基因突变的设置和交叉增加种群的多样性。
这个工作，直到突变率下降到零;因为可能会有一个周期性的进化压力来做到这一点，所以你应该尝试确保这些基因具有最低的速度。
实际上，我选择了一个多染色体基因型。一个染色体编码为另一个的生殖功能。较小的“繁殖染色体”对突变和交叉具有明显的固定比率。
我发现这会阻止经典的高原和人口的收敛。
另外，我倾向于为每个孩子都做交叉和变异。
对于世代的GAs，我试图完全避开精英主义，但是从多个岛屿填充的情况下，我保留每个岛屿的顶级精英。当这些岛屿聚集在一起时，精英们可以一起滋生。
正如其他人所说，最佳组合取决于您的具体问题以及其他问题特定因素，例如解决方案空间的大小。
在我们讨论每一代的进化细分之前，重要的是要考虑每一代的规模。一般来说，我的做法是从相当多的人群（约10万到500万人）开始，这是Koza在他的一些工作中提出的建议。为了从一开始就获得这种多样性，您可以将您的解决方案空间分成多个桶，然后确保至少有一定数量的个人落入每个桶中。 （EG，如果每个人都有树形图表示，请确保创建的深度为2,3，...，max_depth）
就您的实际问题而言，没有明确的方法来处理它，但取决于你的问题，你可能想强调随机性或不重视它。当你想强调它时，你应该保持较少的个体完整，并引入更多的新随机个体。如果您的解决方案空间中存在许多本地最大值，并且希望进行更广泛的搜索，则通常会这样做。
当你得到一个分解时，有几件事情需要考虑...重复一次（在顶级近亲繁殖中有很多相同的或新近相同的人）。为了减少这种情况，你可能想要在世代之间扫过你的人群，并用新的随机个体或杂种个体代替重复。
也就是说，我目前的做法是保持最高1％，杂交前20％进入新的20％，杂交前20％进入前40％，杂交前90％产生未来20 ％，随机生成其余（39％）。如果有重复，我删除它们并用新的随机个体替换它们。
我不使用突变，因为在随后的杂交过程中，大量的随机个体应该注意添加“突变”。
附注：你有没有考虑过很多基于比赛的选择技术？ – Sean 2008-09-27 04:28:03