我在实现我心爱的“遗传算法”。很明显，每次经过选择、交叉和变异的迭代后，种群数量会大幅增加。但是，生物体也会死亡，对吗？然而，我们所知的算法中并没有这样的规定。

所以我的问题是，为什么我们不直接从种群中淘汰一些适应性较低的生物体（同时也融入适者生存的理论）呢？为什么要承担它们的负担并浪费资源（在我们的例子中是内存）呢？

另外，我所有的思考都是基于Peter Norvig的AI书中对算法的三页解释，所以我的问题可能已经有人研究过了。我需要了解这些情况。

这是我在这个平台上的第一个问题，所以社区，请对我不要太苛刻！

回答：

遗传算法通过设计上的方式来淘汰集合中最弱的解，只需在未来的世代中不包含它们的基因即可。

遗传算法如何选择谁生谁死

摘要：想象一下，算法正在选择哪些解将被选择、组合和变异以进入下一代。每个解都被放在一个飞镖靶上，但更好的解会在飞镖靶上占据更多的空间，因此当算法投掷飞镖时，更有可能击中更适应的解。实际上，它甚至可能多次击中同一个解。

一旦从飞镖靶上获得了解集（通常与原始集合的种群大小相同，但可能包含由于多次飞镖击中同一解而产生的重复项），你就拿这个集合，并通过随机交换解的部分来“变异”它们。然后你可以“交配”解，这是一个非常性感的过程，你从新一代中随机选择解的部分，并将它们结合起来形成最终的世代集合。

然后重复这个过程。

没有被飞镖击中的解会怎么样？这完全取决于你的语言和数据结构，但它们可能是会被垃圾回收的对象。

实际代码

这是我在处理（Java）中编写的一些模拟飞镖投掷过程的代码

我只是将生物体称为浮点数的ArrayList，但它们可以是任何东西

 ArrayList<Float> normalize(ArrayList<Float> inputArray){   float sum = 0;    ArrayList<Float> outputArray = new ArrayList<Float>();   for(int i = 0; i < inputArray.size(); i++){    sum += inputArray.get(i);    }   for(int i = 0; i < inputArray.size(); i++){    outputArray.add(inputArray.get(i)/sum);    }   return outputArray;  }ArrayList<Float> pick(ArrayList<ArrayList> parents, ArrayList<Float> fitness){   float searchVal = random(0, 1);   float fitTotal = 0;   int fitIndex = 0;   while(searchVal > fitTotal && fitIndex < fitness.size()){    fitTotal += fitness.get(fitIndex);     fitIndex++;   }   if(fitIndex != 0){    return parents.get(fitIndex-1);    }   else{    return parents.get(0);    }  }

工作原理

这段代码包含两个方法；一个是normalize方法，一个是pick方法。

normalize方法获取每个解的适应度水平，并将其“标准化”成一个数组，其中每个适应度水平除以总和。这将导致每个适应度水平成为总和的一个百分比。它们将全部加起来等于一。

pick方法随后会接收这个标准化数组，以及父解数组（必须与适应度水平的顺序相同），并选择一个0-1之间的随机数，这个数字将匹配到一个特定的适应度水平，算法将“选择”该父解进行繁殖。

你会注意到，适应度水平较高的解将有更高的被“选择”的机会。

这个“pick”方法应该针对你希望在下一代中的每个生物体重复执行。

编辑

原帖提到他们理解了飞镖靶的比喻，并想知道是否有用将不好的解完全从飞镖靶上抹去。选择坏后代的几率本来就很低，但像这样手动修剪也是可行的。

我认为这在有你不希望解具有的非常糟糕的特征的情况下会很有用，你不希望它们有任何机会进入下一组。