クロスオーバー値が0.5ではないのはなぜですか？

私がGAについて読んだほとんどの文献では、約0.7のクロスオーバー値を使用することを推奨しています。そのため、一方の染色体の遺伝子の最初の70％と残りの30％を使用して、1つの新しい染色体を生成します。

上位2つを選択して親の染色体を選択している場合（適合度でランク付け）、評価の高い染色体の遺伝子により多くの重みを付けているため、ここでロジックを確認できます。ただし、確率的な方法（ルーレットホイールなど）を使用して親を選択している場合、クロスオーバー値として0.5以外のものを使用する意味は何ですか？親として染色体AとBを選択した場合、Aを最初に選択し、次にBを選択し、次にBを最初に選択する可能性があります。

私は実際にはこれまでに1つのGAしか書いていません（まだ学習曲線の一番下にありますが、ここでの大きな助けのおかげで速く上に移動します）。しかし、その実験により、0.5はソリューションへの収束が速くなることが示されていますその他の値。

それとも何か不足していますか？

理想的なクロスオーバー操作は、問題の空間に大きく依存します。進化的アルゴリズムと遺伝的アルゴリズムの根本的な前提は、2つの優れたソリューションを組み合わせてより優れたソリューションにすることができるというものです。優れたソリューションは他の優れたソリューションに似ています。これは、問題の空間に連続する各世代が収束する単一の最適値がある場合、直感的に意味があります。

複数の最適値がある場合、これらの最適値の間のスペースは、定義により最適ではありません。ある最適に近い染色体Aを取り、それを別の最適に近い染色体Bと組み合わせると、その間に着地し、親よりも悪い染色体cが生成される可能性があります。どちらか一方の親の近くに留まると、親よりも良い、または少なくともそれほど悪くない染色体dが得られる可能性が高くなります。

     _                d         ^ fitness
    / \              d \        |
   /   A            B   \       |
__/     \___ccc___dd     \____  |
-----------------------------------> chromosome space
     |                |
     |     valley     |
     |     of "meh"   |
1. optimum         2. optimum

クロスオーバー値は、問題の構造に合わせて調整できるアルゴリズムパラメーターの1つにすぎません。クロスオーバー値が低いと収束が速くなり、クロスオーバー値が非常に高くなることがあります。しかし、非常に高い値の場合、これは交差のようなものではなく、突然変異のようなごくわずかな変化にすぎません。したがって、1.0に近い値を使用する代わりに、交差率を下げて突然変異率を上げます。

紛らわしいことに、交差率と突然変異率は、同じように命名されていますが、通常は異なる解釈がされています。

x％の突然変異率==>突然変異演算子を確率1.0で実行すると、その演算子を適用するたびに、突然変異した個体のビットのx％が変更されます。

x％のクロスオーバー率==>クロスオーバーを確率x で実行することを選択します。

したがって、70％のクロスオーバー率は、親1からビットの70％を取得し、親2から30％を取得することを意味しません。つまり、70％の時間で選択したクロスオーバー演算子を実行することになります。残りの30％の時間に、親を変更せずに子孫プールに渡します。