关于变异强度的自适应
igo312 opened this issue · 6 comments
在代码的进化中，我认为变异强度并不是自适应地往低值走，它主要还是决定于最初达到峰值的学习点对应的'mut_strength‘，在basic和（1+1）中都可以体现（我是进行了输出。结果只是趋向于某一个值而已），我的想法是DNA与函数峰值的差去决定变异强度（当然这只能用于这两个代码）。如果我的想法有错误，也请你告诉我，谢谢！
哦，对不起，我写的（1+1）中变异强度方法与basic中相同。但是basic中的变异强度我认为不会因为收敛而减小
basic 中的变异强度是自己调整的, 有点像"适者生存不适者淘汰"的方式选择合适的变异强度. (1+1)ES的变异强度不是这样的. (1+1)ES 是根据收敛来自适应变异强度
恩，这节内容就是一种适者生存的方式。
'ks[:] = np.maximum(ks + (np.random.rand(*ks.shape)-0.5), 0.) # must > 0
kv += ks * np.random.randn(*kv.shape)'
这两行内容就是在调整 ks (kid mutation strength),这种调整会放到kill bad中进行过滤。其他人可能不这么用，但是我觉得这样也是合理的，用这种方式来控制变异强度，最终控制的结果基本上都是越收敛，变异强度越小，因为变异强度大的话很有可能就带来不好的fitness, 不好的fitness会被淘汰掉，所以快收敛时，变异强度也会跟着越筛选越小
我认为这是不合理的，kill_bad方法是对pred值的大小以排序的形式进行筛选，只要pred越大，就能保留下来，所以只要达到顶峰，这个parent就会保留下来，即使之后变异强度变小，但导致的是值也变小所以没有用处。即我的观点是最后结果的变异强度只跟第一个达到峰值的parent有关，可能存在其他的变异强度，但是大部分将与第一个相同。对其我进行了输出了，但是我不知道怎么贴图，所以我只能写下我的理论，谢谢！
我理解你的顾虑, 我的编法应该不能理论上的解决这个问题. 如果要完善这个程序, 还是要把 mutation strength 考虑到 kill_bad 功能里. 谢谢指出存在的问题.