인구가 모든 반복 과정에서 i.i.d (동일하게 독립적으로 분포)를 유지하는 유전 최적화 알고리즘이 있다면 내 질문에 답할 수 있습니다. NSGA2 또는 SPEA2와 같은 가장 일반적인 것들은 혼합 된 인구가 더 이상 iid가되지 않도록 현재 인구를 이전 인구와 혼합합니다. 그러나 최적화 과정에서 모집단의 분포가 변화하지만 여전히 i.i.d로 남아있는 알고리즘이 있습니까?유전 알고리즘의 인구 분포
인구가 모든 반복 과정에서 i.i.d (동일하게 독립적으로 분포)를 유지하는 유전 최적화 알고리즘이 있다면 내 질문에 답할 수 있습니다. NSGA2 또는 SPEA2와 같은 가장 일반적인 것들은 혼합 된 인구가 더 이상 iid가되지 않도록 현재 인구를 이전 인구와 혼합합니다. 그러나 최적화 과정에서 모집단의 분포가 변화하지만 여전히 i.i.d로 남아있는 알고리즘이 있습니까?유전 알고리즘의 인구 분포
피트니스 유니폼 선택 https://arxiv.org/abs/cs/0103015을 시도 할 수 있습니다. 그러나 IMHO 결과가 좋지 않을 것입니다.
왜 동일하게 분포 시키길 원합니까? 알고리즘의 아이디어를 죽이지 않는 이유는 무엇입니까? 내가 볼 수있는 유일한 이유는 로컬 최대 – Wald
@ 탈출하는 것입니다. 문제는 근사 파레토 순위를 찾는 매우 빠른 알고리즘을 발견했습니다. 이 알고리즘은 입력으로 iid 데이터 집합을 필요로하지만 때로는 비 iid 데이터에서도 작동하는 것처럼 보입니다. (이유는 알지 못합니다.) 내 생각은 NSGA2에서 그 알고리즘을 적용하는 것이지만 결과는 정확하지 않습니다. 내가 왜 빠른 알고리즘을 적용 할 수 있었는지 NSGA2에 대한 수정을 찾고 있었지만 성공하지 못했습니다. Btw 당신은 대략적인 파레토 순위에 대한 지식이 유용 할 수있는 몇 가지 어플리케이션을 알고 있습니까? – maxE
솔직히 말해서 나는 파레토 (pareto) 방법에 익숙하지 않지만, 간단한 조회 후에는 대규모 유전 세대를 수행하는 경우 유용 할 수 있습니다. 예를 들어, 하나의 유전자 알고리즘이 다른 내부 유전 알고리즘에 대한 정적 데이터를 설정하고있는 경우, 외부 알고리즘에 유용한 유전자를 좁히는 것이 유용 할 수 있습니다. 그러나 다른 한편으로 나는 당신의 데이터가 동일하게 분배되지 않을 때 파레토 계급이 정말로 정확하지 않을 것이라고 확신합니다. – Wald