我对GA很感兴趣，想要自己做 .
这是任务，我想实现：
我有一个"world" 16x16字段 . 我用随机基因创建了16个机器人 . 每个基因是一个阵列，其中4个数字来自1-19（16-19将转向机器人方向，1-15是机器人将沿指定方向前进的数量） . 在这个词中，我采取一个随机的位置，并尝试尽可能小的从领导机器人到目标的距离 .
我创造新一代的方式：
1）挑选8个距离最近的机器人并将它们放入下一代（没有交叉）
2）我在'1)'中挑选的8个最佳机器人进行交叉（所以我得到8个新机器人）
3）随机变换两个交叉机器人，最后将它们放入下一代 . 现在我在新一代有16个机器人 .
问题是：我只在所有尝试的1/100中得到距离== 0 . 但我经常得到距离1和2（我等到1000代然后我放弃，再试一次）是否有办法改善这一点？或者使用GA更好地做到这一点并不容易？
3 回答
有很多事情都出错了 .
Some general comments
遗传算法通常是算法的最后手段 . 您可以在Dijkstra（最适合您的用例），线性编程，特定约束满足技术等方面使用它们 . 据推测，你正在使用它们，因为你想探索这个区域 .
使用遗传算法的人很少期望他们实现解决方案的全局最优 . “好”的本地最佳通常是你能做的最好的 . GA将很容易找到这些，但很难在解决方案中“归零” . （加州大学伯克利分校的计算机科学家Papadimitriou已经证明，进化实际上并没有最大化适应性，而是基因的混合性 . ）
Crossover vs. Mutation
交叉用于交换已知有效的基因组的大部分 . 突变改进了基因组的片段 . 粗略地说，交叉可以帮助您将两个好的解决方案结合起来，希望能够快速引导您获得更好的解决方案，同时突变可以探索解决方案附近的空间 .
交叉也可以破坏一个好的解决方案，将它分成两个独立的部分，或者组合两个产生非感性输出的部分 .
在许多情况下，突变足以探索整个空间，尽管是缓慢的 . 在您的空间中就是这种情况，因为得分会随着距离目标的距离而单调减少 . 在更复杂的空间中，交叉可以帮助您跳过局部最小值之间的障碍 .
Putting It Together
我的建议是你 reduce the amount of crossover in your populations given time . 最初，交叉可能会帮助您获得快速进步 . 但是，随着时间的推移，特别是在模拟结束时，您将需要精细的细化 . 这种技术类似于simulated annealing .
是时候调试进化了！
最终的解决方案（路径）是什么样的？我认为，他们只能去NSEW . 如果是这样，那么很容易陷入局部（一两个）解决方案 .
此外，观察最佳解决方案如何随着时间的推移而发展将是有用的 . 这可以非常有见地（并且很有趣！）
祝你好运调试！
我想根据我的GA经验添加一些东西 . 在我的学习期间，我发现使用“精英选择”来创建N 1代通常会在解决方案上形成一个平台：你确实会严格而且非常快地找到最佳解决方案，但你可以找到一个本地最小值并保持在那里（图中的橙色） .
所以我做了什么：我添加了一个随机性的步骤（超过最佳元素的交叉和变异），其中显然解决方案更糟，但可以产生跳跃到一个新的最小值，可以是全局的（你的零，绿色跳跃）在图像中）
你可以做什么？尝试使用7个最佳元素用于N 1代，而不是8个从N代选择一个随机元素（可能是最差的） .