我对遗传算法产生了兴趣，想自己尝试一下。
我的目标任务是这样的：
我有一个16×16的“世界”。我创建了16个机器人，每个机器人都有随机的基因。每个基因是一个包含4个数字的数组，数字范围从1到19（其中16到19会改变机器人的方向，而1到15表示机器人在指定方向上移动的格数）。在这个世界中，我随机选择一个位置，试图使领先机器人与目标之间的距离尽可能小。
我创建新一代的方式如下：
-
选择距离最小的8个机器人，直接放入下一代（不进行交叉）
-
对步骤1中选出的8个最佳机器人进行交叉操作（这样我得到了8个新的机器人）
- 随机变异2个交叉后的机器人，最后将它们放入下一代。现在我有了16个新一代的机器人。
问题是：我只有在100次尝试中大约1次能得到距离等于0的结果。但我经常得到距离为1和2的结果（我会等到第1000代，如果没有结果就放弃，再尝试一次）。有没有办法改进这个情况？还是说用遗传算法无法做得更好？
回答：
有很多地方出了问题。
一些总体评论
-
遗传算法通常是算法设计者的最后手段。当像Dijkstra（最适合你的用例）、线性规划、特定的约束满足技术等都失败时，你才会使用它们。显然，你使用它们是因为你想探索这个领域。
-
使用遗传算法的人很少期望它们能达到解决方案的全局最优。“好的”局部最优通常是你能做的最好结果。遗传算法可以很容易地找到这些，但要“零化”到一个解决方案上会很困难。（加州大学伯克利分校的计算机科学家Papadimitriou已经证明，进化实际上并不最大化适应性，而是基因的混合性。）
交叉与变异
交叉用于交换已知有效的基因组的大部分。变异则对基因组的片段进行细化。粗略地说，交叉帮助你结合两个好的解决方案，希望这能迅速引导你到一个更好的解决方案，而变异则探索解决方案附近的空间。
交叉也可能破坏一个好的解决方案，因为它可能将一个解决方案分成两个独立时没有意义的部分，或者将两个部分结合成一个无意义的输出。
在许多情况下，变异足以探索整个空间，尽管速度较慢。在你的空间中，由于得分随着与目标的距离单调递减，变异就足够了。在更复杂的空间中，交叉可能帮助你跨越局部最小值之间的障碍。
综合考虑
我的建议是随着时间的推移减少你种群中的交叉量。最初，交叉可能帮助你快速取得进展。但是，随着时间的推移，特别是在模拟接近尾声时，你需要精细的调整。这种技术类似于模拟退火。
