在遗传算法code排名评选 [英] Ranking Selection in Genetic Algorithm code

问题描述

我需要一个遗传算法（http://www.obitko.com/tutorials/genetic-algorithms/selection.php）code的排名评选方法。 我已创建roullete和锦标赛的选择方法，但现在我需要的排名，我被卡住。 我roullete code是在这里（我用原子结构的遗传原子）：

  const int的轮盘（常量原子* F）
{
  INT I;
  双和，sumrnd;

  总和= 0;
  对于（I = 0; I＆所述N;我+ +）
    总和+ = F（I）.fitness + OFFSET;

  sumrnd = RND（）*总和;

  总和= 0;
  对于（I = 0; I＆所述N;我++）{
    总和+ = F（I）.fitness + OFFSET;
    如果（总和＆GT; sumrnd）
      打破;
  }

  返回我;
}
 

其中原子：

  typedef结构原子
{
  INT格诺[VARS]
  双苯氧[VARS]
  双健身;
} 原子;
 

解决方案

等级的选择是很容易实现的时候，你已经知道了在轮盘赌选择。而不是使用健身为一体的概率为入门选择您使用的等级。因此，对于N方案群的最佳解决方案获得等级N，第二个最好的等级N-1等的最差个体的秩1.现在使用的轮盘赌，并开始选择。

有最佳个体被选择的概率为N /（（N *（N + 1））/ 2）或大约为2 / N为最坏的个体是2 /（N *（N + 1） ），或大约2 / N ^ 2。

这就是所谓的线性秩的选择，因为队伍中形成线性的进展。你也可以把队伍形成了几何级数，如如1 / ^ n，其中n是从1为最佳个体到N最坏的打算的。这当然给的概率要高得多，以最佳的个性化。

您可以看一下在的 HeuristicLab 。

I need code for the ranking selection method on a genetic algorithm (http://www.obitko.com/tutorials/genetic-algorithms/selection.php). I have create roullete and tournament selections method but now I need ranking and I am stuck. My roullete code is here (I am using atom struct for genetic atoms) :

const int roulette (const atom *f)
{
  int i;
  double sum, sumrnd;

  sum = 0;
  for (i = 0; i < N; i++)
    sum += f[i].fitness + OFFSET;

  sumrnd = rnd () * sum;

  sum = 0;
  for (i = 0; i < N; i++) {
    sum += f[i].fitness + OFFSET;
    if (sum > sumrnd)
      break;
  }

  return i;
}

Where atom :

typedef struct atom
{
  int geno[VARS];
  double pheno[VARS];
  double fitness;
} atom;

解决方案

Rank selection is easy to implement when you already know on roulette wheel selection. Instead of using the fitness as probability for getting selected you use the rank. So for a population of N solutions the best solution gets rank N, the second best rank N-1, etc. The worst individual has rank 1. Now use the roulette wheel and start selecting.

The probability for the best individual to be selected is N/( (N * (N+1))/2 ) or roughly 2 / N, for the worst individual it is 2 / (N*(N+1)) or roughly 2 / N^2.

This is called linear rank selection, because the ranks form a linear progression. You can also think of ranks forming a geometric progression, such as e.g 1 / 2^n where n is ranging from 1 for the best individual to N for the worst. This of course gives much higher probability to the best individual.

You can look at the implementation of some selection methods in HeuristicLab.

这篇关于在遗传算法code排名评选的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！