Implementacion efectiva
Los GA son de naturaleza muy general y su simple aplicación a cualquier problema de optimización no daría buenos resultados. En esta sección, describimos algunos puntos que ayudarían y ayudarían a un diseñador o implementador de AG en su trabajo.
Introducir el conocimiento del dominio específico del problema
Se ha observado que el conocimiento del dominio más específico del problema que incorporamos en la AG; los mejores valores objetivos que obtengamos. Se puede agregar información específica del problema mediante el uso de operadores de mutación o de cruce específicos del problema, representaciones personalizadas, etc.
La siguiente imagen muestra la vista de Michalewicz (1990) del EA:
Reducir el hacinamiento
El hacinamiento ocurre cuando un cromosoma altamente adaptado se reproduce mucho y, en unas pocas generaciones, toda la población se llena de soluciones similares que tienen una aptitud similar. Esto reduce la diversidad, que es un elemento crucial para asegurar el éxito de una AG. Existen numerosas formas de limitar el hacinamiento. Algunos de ellos son ...
Mutation para introducir la diversidad.
Cambiar a rank selection y tournament selection que tienen más presión de selección que la selección proporcional de aptitud para individuos con aptitud similar.
Fitness Sharing - En esto, la aptitud de un individuo se reduce si la población ya contiene individuos similares.
¡La aleatorización ayuda!
Se ha observado experimentalmente que las mejores soluciones son impulsadas por cromosomas aleatorios, ya que imparten diversidad a la población. El implementador de AG debe tener cuidado de mantener una cantidad suficiente de aleatorización y diversidad en la población para obtener los mejores resultados.
Hibridación de GA con búsqueda local
La búsqueda local se refiere a verificar las soluciones cercanas a una solución dada para buscar mejores valores objetivos.
A veces puede resultar útil hibridar la GA con la búsqueda local. La siguiente imagen muestra los distintos lugares en los que se puede introducir la búsqueda local en un GA.
Variación de parámetros y técnicas
En los algoritmos genéticos, no existe una "talla única" o una fórmula mágica que funcione para todos los problemas. Incluso después de que el GA inicial esté listo, se necesita mucho tiempo y esfuerzo para jugar con los parámetros como el tamaño de la población, la mutación y la probabilidad de cruce, etc. para encontrar los que se adapten al problema particular.