我在一个非常小的研究团队中工作，我们正在创建/调整一个用于分布式计算的Scala遗传算法库，我们使用的是开源的OpenMole软件（http://www.openmole.org/）。
最近，我试图理解并重新实现JMetal元启发式库中编写的SBX交叉算子（http://jmetal.sourceforge.net/），以便在我们的Scala库中适应其功能版本。
我写了一些代码，但我想请教你们关于Java库中定义的SBX的建议或验证，因为源代码（svn中的源码）似乎与此处撰写的原始方程不符：http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.33.7291&rep=rep1&type=pdf 第30页，附录A
第一个问题，我不理解JMetal的Java版本，为什么他们使用两个不同的beta值？！
- beta1 在方程中使用第一个参数min[(y1 – yL), …] 和
- beta2 使用第二个参数min[…, (yu – y2)])
Beta 1和2用于计算alpha值和两个（因此在这里和jmetal中我们也有两个不同的alpha值alpha1和2）…
同样的问题/疑问，在jmetal中我们有两种计算betaq的方法（Java代码）或者在Deb方程中，结果是：
第二个问题，符号在SBX伪算法的（2）和（3）过程中使用，其含义是什么，与简单的beta有什么区别？特别是当我们想要计算交叉父母的后代时，就像这里一样：
编辑
-
修正了一个无操作的if/else块
-
jmetal代码的作者给了我Nsga-II算法原始源代码的链接，他向我解释说Deb对SBX的描述与他的实现不同：/
http://www.iitk.ac.in/kangal/codes.shtml
我不理解描述与jmetal和原始源代码中的实现之间的区别，你有解释吗？
-
修正if/else返回的map
开始翻译成Scala
class SBXBoundedCrossover[G <: GAGenome, F <: GAGenomeFactory[G]](rate: Random => Double = _.nextDouble) extends CrossOver [G, F] { def this(rate: Double) = this( _ => rate) def crossOver (genomes : IndexedSeq [G], factory: F) (implicit aprng : Random) = { val g1 = genomes.random val g2 = genomes.random val crossoverRate = rate(aprng) val EPS = 1.0e-14 val numberOfVariables = g1.wrappedValues.size val distributionIndex = 2 val variableToMutate = (0 until g1.wrappedValues.size).map{x => !(aprng.nextDouble < 0.5)} //交叉概率 val offspring = { if (aprng.nextDouble < crossoverRate) { (variableToMutate zip (g1.wrappedValues zip g2.wrappedValues)) map { case (b, (g1e, g2e)) => if(b) { if (abs(g1e - g2e) > EPS){ val y1 = min(g1e, g2e) val y2 = max(g2e, g1e) var yL = 0.0 //g1e.getLowerBound var yu = 1.0 //g1e.getUpperBound var rand = aprng.nextDouble // ui var beta1 = 1.0 + (2.0 * (y1 - yL)/(y2 - y1)) var alpha1 = 2.0 - pow(beta1,-(distributionIndex+1.0)) var betaq1 = computebetaQ(alpha1,distributionIndex,rand) //使用betaq1计算后代1，对应于β条 var c1 = 0.5 * ((y1 + y2) - betaq1 * (y2 - y1)) // ----------------------------------------------- var beta2 = 1.0 + (2.0 * (yu - y2) / (y2 - y1)) var alpha2 = 2.0 - pow(beta2, -(distributionIndex + 1.0)) var betaq2 = computebetaQ(alpha2,distributionIndex,rand) //使用betaq2计算后代2 var c2 = 0.5 * ((y1 + y2) + betaq2 * (y2 - y1)) if (c1 < yL) c1 = yL if (c1 > yu) c1 = yu if (c2 < yL) c2 = yL if (c2 > yu) c2 = yu if (aprng.nextDouble <= 0.5) { (c2,c1) } else { (c1, c2) } }else{ (g1e, g2e) } }else{ (g2e, g1e) } } }else{ // 这里不太好... (g1.wrappedValues zip g2.wrappedValues) } } (factory.buildGenome(offspring.map{_._1}), factory.buildGenome(offspring.map{_._2})) } def computebetaQ(alpha:Double, distributionIndex:Double, rand:Double):Double = { if (rand <= (1.0/alpha)){ pow ((rand * alpha),(1.0 / (distributionIndex + 1.0))) } else { pow ((1.0 / (2.0 - rand * alpha)),(1.0 / (distributionIndex + 1.0))) } }非常感谢您的建议或帮助解决这个问题。
SR
回答：
Reyman64，你的问题正是我一直在寻找的答案。谢谢你。
我拿了你链接的论文和Deb的实现代码，并试图理解两者。为此，我几乎对每一行代码都进行了注释。它们仅在beta的计算上有所不同。
由于Deb在他的NSGA-II实现中使用了这段代码，我将坚持使用这个版本的算法。
如果有人和我一样（不理解如何实现SBX），我将我的评论留在了下面的gist中，请查看。
https://gist.github.com/Tiagoperes/1779d5f1c89bae0cfdb87b1960bba36d
