Какой эволюционный алгоритм оптимизации бинарных задач?

Как сказал ДонАндре, канонический ГА был в значительной степени разработан для бинарных задач.

Однако...

Ни один эволюционный алгоритм не является волшебным средством (если только он не рассчитан на миллиарды лет). Что важнее всего, так это ваше представление и то, как оно взаимодействует с вашими операторами мутации и кроссовера: вместе они определяют «интеллект» того, что по сути является замаскированным эвристическим поиском. Цель состоит в том, чтобы у каждого оператора был справедливый шанс произвести потомство с такой же приспособленностью, как и у родителей, поэтому, если у вас есть знания в предметной области, которые позволяют вам добиться большего успеха, чем случайное переворачивание битов или соединение битовых строк, используйте это.

Рулетка, выбор турниров и элитарность — хорошие идеи (может быть, сохранение более 1, это черная магия, кто может сказать...). Вы также можете извлечь выгоду из адаптивной мутации. Старое эмпирическое правило состоит в том, что 1/5 часть потомства должна быть лучше родителей — следите за этим количеством и соответствующим образом меняйте скорость мутаций. Если потомство получается хуже, то меньше мутируют; если потомство постоянно лучше, то мутируйте больше. Но скорость мутаций нуждается в компоненте инерции, чтобы он не адаптировался слишком быстро, и, как и в случае с любым другим метапараметром, установка этого параметра является чем-то вроде черной магии. Удачи!

Что ж, генетический алгоритм в его канонической форме является одним из наиболее подходящих метаэвристик для решения бинарных задач. Конфигурация по умолчанию, которую я бы попробовал, представляет собой такой генетический алгоритм, который использует 1-элитарность и настроен на выбор колеса рулетки, кроссовер с одной точкой (скорость кроссовера 100%) и мутацию переворота бита (например, вероятность мутации 5%). Я бы посоветовал вам попробовать эту комбинацию со скромным размером популяции (100-200). Если это не сработает, я бы предложил увеличить размер популяции, а также изменить схему отбора на схему турнирного отбора (начните с бинарного турнирного отбора и увеличьте размер турнирной группы, если вам нужно еще большее давление отбора). Причина в том, что при большем размере популяции схема отбора, пропорциональная пригодности, может не оказывать необходимого давления отбора, чтобы вести поиск в направлении оптимальной области.

В качестве альтернативы мы разработали расширенную версию GA и назвали ее person Andreas    schedule 01.11.2011