Выбор рулетки в генетических алгоритмах

уже много правильных решений, но я думаю, что этот код яснее.

def select(fs):
    p = random.uniform(0, sum(fs))
    for i, f in enumerate(fs):
        if p <= 0:
            break
        p -= f
    return i

кроме того, если вы накапливаете fs, вы можете создать более эффективное решение.

cfs = [sum(fs[:i+1]) for i in xrange(len(fs))]

def select(cfs):
    return bisect.bisect_left(cfs, random.uniform(0, cfs[-1]))

это и быстрее, и это чрезвычайно сжатый код. STL в C++ имеет аналогичный алгоритм разделения, доступный, если это язык, который вы используете.

опубликованный псевдокод содержал некоторые неясные элементы, и это добавляет сложность генерации потомство вместо выполнения чистого отбора. Вот простая реализация python этого псевдокода:

def roulette_select(population, fitnesses, num):
    """ Roulette selection, implemented according to:
        <http://stackoverflow.com/questions/177271/roulette
        -selection-in-genetic-algorithms/177278#177278>
    """
    total_fitness = float(sum(fitnesses))
    rel_fitness = [f/total_fitness for f in fitnesses]
    # Generate probability intervals for each individual
    probs = [sum(rel_fitness[:i+1]) for i in range(len(rel_fitness))]
    # Draw new population
    new_population = []
    for n in xrange(num):
        r = rand()
        for (i, individual) in enumerate(population):
            if r <= probs[i]:
                new_population.append(individual)
                break
    return new_population

это называется выбором колеса рулетки через стохастическое принятие:

/// \param[in] f_max maximum fitness of the population
///
/// \return index of the selected individual
///
/// \note Assuming positive fitness. Greater is better.

unsigned rw_selection(double f_max)
{
  for (;;)
  {
    // Select randomly one of the individuals
    unsigned i(random_individual());

    // The selection is accepted with probability fitness(i) / f_max
    if (uniform_random_01() < fitness(i) / f_max)
      return i;
  }   
}

среднее количество попыток, необходимых для одного выбора:

τ = f_Макс / avg (f)

• f_Макс это максимальная пригодность населения
• avg (f) - средняя пригодность

τ явно не зависит от количества особей в популяции (N) , но соотношение может меняться с Н.

однако во многих приложениях (где пригодность остается ограниченной и средняя пригодность не уменьшается до 0 для увеличения N) τ не увеличивается неограниченно с N и, следовательно,типичной сложностью этого алгоритма является O (1) (выбор колеса рулетки с помощью алгоритмов поиска имеет сложность O(N) или O(log N)).

распределение вероятностей этой процедуры действительно такое же, как и в классической рулетке.

для более подробную информацию см.:

• выбор колеса рулетки через стохастическое принятие (Адам Liposki, Дорота Lipowska - 2011)

вот некоторый код в C:

// Find the sum of fitnesses. The function fitness(i) should 
//return the fitness value   for member i**

float sumFitness = 0.0f;
for (int i=0; i < nmembers; i++)
    sumFitness += fitness(i);

// Get a floating point number in the interval 0.0 ... sumFitness**
float randomNumber = (float(rand() % 10000) / 9999.0f) * sumFitness;

// Translate this number to the corresponding member**
int memberID=0;
float partialSum=0.0f;

while (randomNumber > partialSum)
{
   partialSum += fitness(memberID);
   memberID++;
} 

**// We have just found the member of the population using the roulette algorithm**
**// It is stored in the "memberID" variable**
**// Repeat this procedure as many times to find random members of the population**

приведу пример:

случайный (сумма):: случайный(12) Повторяя через население, мы проверяем следующее: random

давайте выберем 7 в качестве случайного числа.

Index   |   Fitness |   Sum |   7 < Sum
0       |   2   |   2       |   false
1       |   3   |   5       |   false
2       |   1   |   6       |   false
3       |   4   |   10      |   true
4       |   2   |   12      |   ...

в этом примере наиболее подходящий (индекс 3) имеет самый высокий процент выбора (33%); поскольку случайное число должно приземлиться только в пределах 6 - >10, и это будет выбранный.

    for (unsigned int i=0;i<sets.size();i++) {
        sum += sets[i].eval();
    }       
    double rand = (((double)rand() / (double)RAND_MAX) * sum);
    sum = 0;
    for (unsigned int i=0;i<sets.size();i++) {
        sum += sets[i].eval();
        if (rand < sum) {
            //breed i
            break;
        }
    }

профессор Thrun из Стэнфордской лаборатории AI также представил быстрый (er?) повторная выборка кода в python во время его CS373 Udacity. Результат поиска Google привел к следующей ссылке:

http://www.udacity-forums.com/cs373/questions/20194/fast-resampling-algorithm

надеюсь, что это помогает

вот компактная реализация java, которую я недавно написал для выбора рулетки, надеюсь, использовать.

public static gene rouletteSelection()
{
    float totalScore = 0;
    float runningScore = 0;
    for (gene g : genes)
    {
        totalScore += g.score;
    }

    float rnd = (float) (Math.random() * totalScore);

    for (gene g : genes)
    {   
        if (    rnd>=runningScore &&
                rnd<=runningScore+g.score)
        {
            return g;
        }
        runningScore+=g.score;
    }

    return null;
}

выбор колеса рулетки в MatLab:

TotalFitness=sum(Fitness);
    ProbSelection=zeros(PopLength,1);
    CumProb=zeros(PopLength,1);

    for i=1:PopLength
        ProbSelection(i)=Fitness(i)/TotalFitness;
        if i==1
            CumProb(i)=ProbSelection(i);
        else
            CumProb(i)=CumProb(i-1)+ProbSelection(i);
        end
    end

    SelectInd=rand(PopLength,1);

    for i=1:PopLength
        flag=0;
        for j=1:PopLength
            if(CumProb(j)<SelectInd(i) && CumProb(j+1)>=SelectInd(i))
                SelectedPop(i,1:IndLength)=CurrentPop(j+1,1:IndLength);
                flag=1;
                break;
            end
        end
        if(flag==0)
            SelectedPop(i,1:IndLength)=CurrentPop(1,1:IndLength);
        end
    end

Based on my research ,Here is another implementation in C# if there is a need for it:


//those with higher fitness get selected wit a large probability 
//return-->individuals with highest fitness
        private int RouletteSelection()
        {
            double randomFitness = m_random.NextDouble() * m_totalFitness;
            int idx = -1;
            int mid;
            int first = 0;
            int last = m_populationSize -1;
            mid = (last - first)/2;

            //  ArrayList's BinarySearch is for exact values only
            //  so do this by hand.
            while (idx == -1 && first <= last)
            {
                if (randomFitness < (double)m_fitnessTable[mid])
                {
                    last = mid;
                }
                else if (randomFitness > (double)m_fitnessTable[mid])
                {
                    first = mid;
                }
                mid = (first + last)/2;
                //  lies between i and i+1
                if ((last - first) == 1)
                    idx = last;
            }
            return idx;
        }

Итак, существует 2 способа выбор колеса рулетки реализация: обычно и Стохастические Принятии один.

обычно:

# there will be some amount of repeating organisms here.
mating_pool = []

all_organisms_in_population.each do |organism|
  organism.fitness.times { mating_pool.push(organism) }
end

# [very_fit_organism, very_fit_organism, very_fit_organism, not_so_fit_organism]
return mating_pool.sample #=> random, likely fit, parent!

Стохастические Принятии:

max_fitness_in_population = all_organisms_in_population.sort_by(:fitness)[0]
loop do
  random_parent = all_organisms_in_population.sample
  probability = random_parent.fitness/max_fitness_in_population * 100
  # if random_parent's fitness is 90%,
  # it's very likely that rand(100) is smaller than it.
  if rand(100) < probability
    return random_parent #=> random, likely fit, parent!
  else
    next #=> or let's keep on searching for one.
  end
end

вы можете выбрать либо, они будут возвращать одинаковые результаты.

полезное ресурсы:

http://natureofcode.com/book/chapter-9-the-evolution-of-code - дружественная для начинающих и ясная глава о генетических алгоритмах. объясняет выбор колеса рулетки как ведро деревянных букв (чем больше, как вы положили в-большой шанс выбрать A,обычно).

https://en.wikipedia.org/wiki/Fitness_proportionate_selection - описывает стохастические Принятие.

Я написал версию на C# и действительно ищу подтверждение того, что это действительно правильно:

(roulette_selector-случайное число, которое будет находиться в диапазоне от 0.0 до 1.0)

private Individual Select_Roulette(double sum_fitness)
    {
        Individual ret = new Individual();
        bool loop = true;

        while (loop)
        {
            //this will give us a double within the range 0.0 to total fitness
            double slice = roulette_selector.NextDouble() * sum_fitness;

            double curFitness = 0.0;

            foreach (Individual ind in _generation)
            {
                curFitness += ind.Fitness;
                if (curFitness >= slice)
                {
                    loop = false;
                    ret = ind;
                    break;
                }
            }
        }
        return ret;

    }