Quelqu'un peut-il fournir un pseudo-code pour une fonction de sélection de roulette? Comment pourrais-je implémenter ceci:
Je ne comprends pas vraiment comment lire cette notation mathématique. Je n'ai jamais pris aucune probabilité ou statistique.
Cela fait quelques années que je l'ai fait moi-même, mais le pseudo-code suivant a été trouvé assez facilement sur Google.
pour tous les membres de la population somme + = aptitude de cette personne fin pour pour tous les membres de la population probabilité = somme des probabilités + (fitness/somme) somme des probabilités + = probabilité fin pour boucle jusqu'à ce que la nouvelle population soit pleine faites-le deux fois nombre = aléatoire entre 0 et 1 pour tous les membres de la population si nombre> probabilité mais moins que la probabilité suivante alors vous avez été sélectionné fin pour fin créer la progéniture end loop
Le site d'où cela provient peut être trouvé ici si vous avez besoin de plus amples détails.
Beaucoup de solutions correctes déjà, mais je pense que ce code est plus clair.
def select(fs):
p = random.uniform(0, sum(fs))
for i, f in enumerate(fs):
if p <= 0:
break
p -= f
return i
De plus, si vous accumulez les fs, vous pouvez produire une solution plus efficace.
cfs = [sum(fs[:i+1]) for i in xrange(len(fs))]
def select(cfs):
return bisect.bisect_left(cfs, random.uniform(0, cfs[-1]))
C'est à la fois plus rapide et extrêmement concis. STL en C++ dispose d'un algorithme de bissection similaire si c'est le langage que vous utilisez.
Le pseudo-code posté contient des éléments peu clairs et ajoute à la complexité de la génération de offspring au lieu d'effectuer une sélection pure. Voici une implémentation python simple de ce pseudocode:
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
C'est ce qu'on appelle la sélection de la roue de roulette via l'acceptation stochastique:
/// \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;
}
}
Le nombre moyen de tentatives nécessaires pour une sélection unique est:
τ = fmax / avg (f)
τ ne dépend pas explicitement du nombre d'individus dans la population (N), mais le rapport peut changer avec N.
Cependant, dans de nombreuses applications (où l’aptitude reste liée et l’aptitude moyenne ne diminue pas à 0 lorsque N augmente), τ n’augmente pas de façon illimitée avec N et donc la complexité typique de cet algorithme est O(1) _ (la sélection de la roue de la roulette à l'aide d'algorithmes de recherche présente une complexité O(N) ou O (journal N)).
La distribution de probabilité de cette procédure est en effet la même que dans la sélection de roue à roulette classique.
Pour plus de détails, voir:
Voici du code en 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**
Le professeur Thrun du laboratoire d'intelligence artificielle de Stanford a également présenté un code de ré-échantillonnage rapide (er?) En python lors de son CS373 d'Udacity. Le résultat de la recherche Google a conduit au lien suivant:
http://www.udacity-forums.com/cs373/questions/20194/fast-resampling-algorithm
J'espère que cela t'aides
Sélection de roulette dans 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
De la réponse ci-dessus, j'ai obtenu ce qui suit, ce qui était plus clair pour moi que la réponse elle-même.
Pour donner un exemple:
Random (sum) :: Random (12) En parcourant la population, nous vérifions les éléments suivants: random <sum
Laissez-nous choisi 7 comme nombre aléatoire.
Index | Fitness | Sum | 7 < Sum
0 | 2 | 2 | false
1 | 3 | 5 | false
2 | 1 | 6 | false
3 | 4 | 10 | true
4 | 2 | 12 | ...
Dans cet exemple, le plus apte (Index 3) a le pourcentage le plus élevé d’être choisi (33%); comme le nombre aléatoire doit seulement atterrir entre 6-> 10, et il sera choisi.
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;
}
}
Voici une implémentation Java compacte que j’ai récemment écrite pour la sélection de la roulette et que nous espérons utile.
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;
}
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;
}
Donc, il y a 2 méthodes pour sélection de la roue de la roulette implémentation: Usual _ et Acceptation stochastique _ une.
Algorithme habituel:
# 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!
Acceptation stochastique} Algorithme:
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
Vous pouvez choisir soit, ils vont retourner des résultats identiques.
http://natureofcode.com/book/chapter-9-the-evolution-of-code - un chapitre clair et convivial pour les débutants sur les algorithmes génétiques. explique sélection de la roue de la roulette comme un seau de lettres en bois (plus vous en mettez, plus vous aurez de chances de choisir un algorithme A, Usual).
https://en.wikipedia.org/wiki/Fitness_proportionate_selection - décrit acceptation stochastique l'algorithme.
Cette extension de tableau Swift 4 met en œuvre une sélection aléatoire pondérée, une sélection de roulette à partir de ses éléments:
public extension Array where Element == Double {
/// Consider the elements as weight values and return a weighted random selection by index.
/// a.k.a Roulette wheel selection.
func weightedRandomIndex() -> Int {
var selected: Int = 0
var total: Double = self[0]
for i in 1..<self.count { // start at 1
total += self[i]
if( Double.random(in: 0...1) <= (self[i] / total)) { selected = i }
}
return selected
}
}
Par exemple, étant donné le tableau à deux éléments:
[0.9, 0.1]
weightedRandomIndex()
retournera zéro 90% du temps et un 10% du temps.
Voici un test plus complet:
let weights = [0.1, 0.7, 0.1, 0.1]
var results = [Int:Int]()
let n = 100000
for _ in 0..<n {
let index = weights.weightedRandomIndex()
results[index] = results[index, default:0] + 1
}
for (key,val) in results.sorted(by: { a,b in weights[a.key] < weights[b.key] }) {
print(weights[key], Double(val)/Double(n))
}
sortie:
0.1 0.09906
0.1 0.10126
0.1 0.09876
0.7 0.70092
Cette réponse est fondamentalement la même que celle d'Andrew Mao ici: https://stackoverflow.com/a/15582983/74975