一种非常缓慢收敛的遗传算法

Question

我已经开始了崇高的努力，让我工作的公司（有点）的高层至少考虑一下ML。我在汽车行业工作，所以我们的大部分“问题”都与寻找汽车重心和前后轮之间的完美距离、理想重量等有关

因此，整个交易可以表述为一个成熟的优化适应度函数。在

实际的功能是这样的：我们有很多测试用例，比如10-15个，测试用例代表100公里/小时的转弯，150公里/小时的车道切换等等。我们有一个通用的测试函数，给定一组或多个参数（如上所述）返回错误百分比。例如：

get_error(test_case = lane_switch_100kph, 
    weight = 2000, // kg
    front_axle_dist = 1.3, // meters
    back_axle_dist = 1.4  // meters
)

这个函数返回一个间隔为[0，100]的浮点值，指定“误差”，当使用这些特定参数时，汽车偏离理想路径的程度。这个误差必须控制在10%以下。在

我构建了一个遗传算法（如果重要的话，我用python语言，使用DEAP库）并用Rastrigin函数进行了测试，一切都很好。对于实际模拟的适应度函数，我使用了所有测试用例的均方误差。在

从理论上讲，这看起来很简单。首先，我需要优化一个只有4个参数的更通用的模拟，所以一个4变量的函数，应该足够简单，遗传算法可以解决，它在100维的Rastrigin表现得很好，所以一个4维函数应该是小菜一碟。在

在这之前的10%的测试是可能的。在

问题在于算法，虽然它确实改善了均方误差，但速度非常慢。对于11个测试用例，初始误差约为10-30%，初始均方误差约为800，算法似乎正处于收敛的最后阶段，从~800缓慢（每代减少1-3毫秒）到大约725-750并在那里收敛。在

我没有对算法做任何优化，因为我认为我会在完成概念证明之后再做。在

我目前的实施细节是：

1. 正如我所说的4个维度，每个维度都有自己的上限和下限。

2. 变异是随机选择4个维度中的一个并将其值随机化。

3. 突变概率为0.3。

4. 交叉是模拟二进制有界的。

5. 交叉概率为0.6。

6. 我做了交叉，然后对人群的随机样本进行突变。

7. 人口规模约为50人。

8. 我使用的是锦标赛选择，比赛规模是人口的1/4。

9. 每3/4代人被选中，1/4代人被新的个体取代。

我计划使用但尚未实现的优化。在

1. 精英主义。

2. 使用基于聚类的方法自适应变异参数如下所述：https://matlab1.com/wp-content/uploads/2015/09/Clustering-Based-Adaptive-Crossover-and-Mutation-Probabilities-for-Genetic-Algorithms-matlab1.com_.pdf

我有点困惑，我到底该怎么做，因为算法有点。。。在多次运行中从一开始就陷入一个特定的局部最优，这是我甚至认为不可能发生的事情，也不知道如何修复。任何建议都将不胜感激。提前谢谢！在