Sebagian besar literatur yang pernah saya baca tentang GA menyarankan menggunakan nilai crossover sekitar 0,7, jadi Anda mengambil 70% pertama dari satu gen kromosom, dan 30% terakhir dari yang lain untuk menghasilkan satu kromosom baru.
Jika Anda memilih kromosom induk dengan mengambil dua teratas (peringkat berdasarkan kebugaran), maka saya dapat melihat logikanya di sini, karena Anda memberi bobot lebih pada gen kromosom yang berperingkat lebih tinggi. Namun, jika Anda menggunakan metode stokastik (seperti roda roulette) untuk memilih orang tua, lalu apa gunanya menggunakan apa pun selain 0,5 sebagai nilai crossover? Mengingat Anda telah memilih kromosom A dan B sebagai orang tua, Anda juga cenderung memilih A pertama dan B kedua sebagai B pertama dan A kedua bukan?
Saya hanya benar-benar menulis satu GA sejauh ini (masih jauh di bagian bawah kurva pembelajaran, tetapi bergerak cepat berkat bantuan besar di sini!), Tetapi percobaan pada acara itu menunjukkan bahwa 0,5 memberikan konvergensi yang lebih cepat ke solusi daripada nilai lainnya.
Atau apakah saya melewatkan sesuatu?
Most of the literature I've read about GAs suggests using a crossover value of around 0.7
<- satu hal yang perlu diingat adalah banyak dari nilai-nilai ini dalam optimasi heuristik diturunkan lebih atau kurang berdasarkan pada nilai-nilai apa yang tampaknya mengarah pada hasil yang baik (daripada derivasi empiris). Saya kurang terbiasa dengan GA tetapi saya tahu dalam metode optimasi berbasis populasi lainnya konstanta ditentukan secara sewenang-wenang, dalam beberapa peneliti melakukan beberapa percobaan dasar, menemukan nilai-nilai yang bekerja lebih baik, dan kemudian nilai-nilai itu diadopsi oleh komunitas optimisasi pada umumnya .