Почему генетический алгоритм дает разные результаты для оптимизации одной целевой функции с одинаковыми параметрами в наборе инструментов MATLAB Optimization?

Генетические алгоритмы используют методы случайной выборки для создания поколений случайных решений-кандидатов. Для многих типов задач генетические алгоритмы могут «застрять» на локальных оптимумах, и если другие локальные оптимумы (или глобальный оптимум) слишком «далеки», такие операции, как скрещивание и мутация, могут не обеспечить достаточного разнообразия для получения «незастрял". Если вы постоянно получаете разные решения с использованием одних и тех же параметров, то вы получили ценную информацию: либо (а) ваши параметры делают ваши совокупности слишком однородными (отсутствуют вариации), не позволяя им отклоняться от локальных оптимумов, либо ( б) ваша проблема плохо подходит для генетических алгоритмов.

Попробуйте увеличить частоту мутаций до предела, запустить алгоритм для многих других поколений и вместо того, чтобы смотреть на конечную популяцию (поскольку ее состав будет непостоянным с высокой скоростью мутаций), посмотрите на общую прожитую жизнь, опережая кандидаты.

Тем не менее, ваш вопрос немного озадачивает для начала. Вы спрашиваете: «Какой ответ лучший?» Ну, вы, должно быть, определили критерий пригодности для "убийства" наименее подходящих кандидатов из поколения в поколение, не так ли? Просто вычислите пригодность каждого ответа, чтобы увидеть, какой из них считается более «подходящим». Если оба (или все) ответа одинаково подходят, то, возможно, у вашей проблемы нет единого решения!

Я думаю, что получил некоторое решение своей проблемы ... разница в ответах в каждом прогоне связана с генератором случайных чисел ... мы можем получить те же результаты, управляя этим генератором случайных чисел.