Genetic-algorithms-parent-selection
遺伝的アルゴリズム-親の選択
親の選択は、次の世代の子孫を作成するために交配および再結合する親を選択するプロセスです。 親の選択は、良い親が個人をより良い、より適切なソリューションに導くため、GAの収束率にとって非常に重要です。
ただし、1つの非常に適切なソリューションが数世代で母集団全体を引き継ぐことを防ぐように注意する必要があります。これにより、ソリューション空間でソリューションが互いに近くなり、多様性が失われることになります。 人口の良好な多様性を維持することは、GAの成功にとって非常に重要です。 1つの非常に適切なソリューションで母集団全体を占有することは、*早期収束*と呼ばれ、GAでは望ましくない状態です。
フィットネス比例選択
Fitness Proportionate Selectionは、親を選択する最も一般的な方法の1つです。 これにおいて、すべての個人は、その適応度に比例する確率で親になることができます。 したがって、より健康な人は、彼らの機能を次世代に交配して伝播する可能性が高くなります。 したがって、このような選択戦略は、集団内のより適切な個人に選択圧力を適用し、時間とともにより良い個人を進化させます。
円形のホイールを考えてみましょう。 ホイールは* n個のパイ*に分割されます。nは母集団内の個人の数です。 各個人は、フィットネス値に比例する円の一部を取得します。
フィットネス比例選択の2つの実装が可能です-
ルーレットホイールの選択
ルーレットホイールの選択では、前述のように円形のホイールが分割されます。 図に示すように、ホイールの円周上の固定点が選択され、ホイールが回転します。 固定点の前に来るホイールの領域が親として選択されます。 2番目の親についても、同じプロセスが繰り返されます。
フィット感のある人は、ホイール上でより大きなパイを持っているため、ホイールが回転すると固定点の前に着地する可能性が高くなります。 したがって、個人を選択する確率は、そのフィットネスに直接依存します。
賢明な実装、私たちは次の手順を使用します-
- S =罰金の合計を計算します。
- 0とSの間の乱数を生成します。
- 母集団の先頭から開始して、P <Sになるまで、部分合計Pに細目を追加し続けます。
- PがSを超える個体は、選択された個体です。
確率的ユニバーサルサンプリング(SUS)
確率的ユニバーサルサンプリングはルーレットホイールの選択に非常に似ていますが、次の図に示すように、固定点が1つだけではなく、複数の固定点があります。 したがって、すべての親は、ホイールを1回回転させるだけで選択されます。 また、このような設定は、非常にフィットする個人が少なくとも1回選択されることを促進します。
フィットネスが負の値をとることができる場合、フィットネスの比例選択法は機能しないことに注意してください。
トーナメント選択
K-Wayトーナメント選択では、母集団からK人の個人をランダムに選択し、これらの中から最高のものを選択して親になります。 次の親を選択するために同じプロセスが繰り返されます。 トーナメント選択は、負のフィットネス値でも機能するため、文学でも非常に人気があります。
ランク選択
ランク選択は負のフィットネス値でも機能し、母集団内の個人のフィットネス値が非常に近い場合に使用されます(これは通常、実行の最後に発生します)。 これにより、次の画像に示すように、各個人がほぼ同じ割合でパイを共有します(フィットネス比例選択の場合のように)。したがって、各個人は、互いにどの程度フィットしても、ほぼ同じ確率で選択されます親。 これにより、フィッターの方への選択圧力が失われ、GAがそのような状況で親選択を下すようになります。
これでは、親を選択する際にフィットネス値の概念を削除します。 ただし、人口内のすべての個人は、フィットネスに従ってランク付けされます。 親の選択は、フィットネスではなく各個人のランクに依存します。 ランクの高い人は、ランクの低い人よりも優先されます。
Chromosome | Fitness Value | Rank |
---|---|---|
A | 8.1 | 1 |
B | 8.0 | 4 |
C | 8.05 | 2 |
D | 7.95 | 6 |
E | 8.02 | 3 |
F | 7.99 | 5 |
ランダム選択
この戦略では、既存の母集団から親をランダムに選択します。 より適格な個人に対する選択圧力はないため、この戦略は通常回避されます。