我编写了一个简单的遗传算法，旨在执行拟合。也就是说，给定一些输入 f(x)，我可以在不知道 x 的情况下求解 f（而且，实际上，f(x) 并不有< /em> 甚至存在）。我的流程如下：
我生成了一些初始点，均匀分布在已知的求解区间 0,1 上。
然后我进行迭代，直到达到某个最大代数。每次迭代，我：
a) 按最小误差（RSS 误差）对当前点集进行排序，将它们存储在 parents 列表中
b) 保留第一个 500，并从初始列表中随机选择几个点
c) parents 列表中的 1/2 点我“涂抹”，通过生成从高斯分布中提取的新点，其均值由所选点给出
d) 我现在通过生成“孩子”来填充 parents 列表中剩余的“空位”。通过从 parents 列表中随机选择两个点并取其平均值 ((male + female)/2) 来生成子项。
e) 最后，我将初始列表设置为与父母列表相等，然后跳回到 a)
最后，我最后一次对列表进行排序，并选择第一个元素作为解决方案。
查看下面的代码
我最终得到了一个还不错的解决方案。它似乎以惊人的速度跳到解决方案的附近，但随后未能取得太大进展。我仍然使用蛮力获得更好（并且更快）的结果。所以，我想改进我的算法。
一些注意事项：
我很清楚这在某种程度上取决于我将算法应用于的问题。我有兴趣将它用于一些不同的事情。忽略这个问题，我可以用我所拥有的做什么来改善这个问题？
我也知道更好/更容易/更快/等方法（可能）存在。我只是对这个话题感兴趣。
我的代码：
initial = []
# Generate random initial test points
for i in range(5000):
initial.append(random.uniform(0,1))
for i in range(max_generations):
# Sort according to some error function
initial.sort(key = error_func)
# Keep the "best" 500
parents = initial[:500]
# Throw in a few random points
for i in range(randint(10,100)):
parents.append(initial[randint(0,len(parents) - 1)])
# "Mutate" half the parents
for individual in parents:
if randint(0,1):
individual = random.gauss(individual, 1E-5)
children = []
while len(children) < (5000 - len(parents)):
# Randomly pick a male and female
male = parents[randint(0, len(parents) - 1)]
female = parents[randint(0, len(parents) - 1)]
# Produce a child
children.append((male + female) / 2)
parents.extend(children)
initial = parents
initial.sort(key = error_func)
print(initial[0])
我正在考虑的几点：
我知道遗传算法有几种不同的方式来选择“最适合”的点（个人/成员/等）。也许有比按最小错误排序更好的方法？
通常是有更多的起点，还是更多的迭代/世代更好？
目标
#1：提高准确度和精确度 #2：提高找到“好的”解决方案的速度
答案 0 :(得分：1)
遗传算法必须在系统中运行。因此，您必须在实施之前指定一些关键点。它们是：
与问题完全相关的决定尝试解决（适应度函数）。
遗传算法的主要问题是单调的。如果你不能提供多样性，你很可能会陷入局部最优点。解决方案是选择方便的“选择”和“交叉”运算符。
这可能是你的起点，comparison of selection operators 和 comparion of crossover operators。此外，还有implementation ways of lots crossovers。同样，它们只是介绍。您可以找到更多资源，只需 google 即可。