熟悉随机通用抽样、轮盘赌、锦标赛等遗传算法的选择方法。但是，我意识到这些方法接近于统计中使用的随机抽样。我想知道是否有基于人口中包含的个体的某些特征接近统计聚类的实现方法，而不必在做样本之前首先检查所有个体的特定特征。本质上，我想减少其他抽样方法的随机性，同时在每个种群中保持足够的多样性。
最佳答案
对于一般的遗传算法，寻找niching/crowding strategies .他们试图通过例如保护多样化的人口。保留独特或非常多样化的解决方案，并在人口非常稠密的地区更换解决方案。这在多目标优化中特别有用，其中“解决方案”是一群非支配个体。
如果您不进行多目标优化并且不需要在整个运行过程中保持多样化，那么您也可以使用 Offspring Selection Genetic Algorithm (OSGA) .它正在将 child 与其 parent 进行比较，只有当他们的质量超过 parent 时，才会考虑将他们用于下一个人口。这一直是shown a) 即使在无偏见的随机 parent 选择的情况下也能工作，b) 保持多样性直到搜索的很晚，此时种群收敛到一个单一的解决方案。
例如，您可以使用我们的软件 HeuristicLab , 尝试不同配置的遗传算法并分析它们的行为。该软件是 GPL，可在 Windows 上运行。
关于algorithm - 统计优化遗传算法选择算子，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/7780762/