0
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
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