【摘要】：遗传算法并没有针对任何问题都适用的参数设定方法，通常需要针对特定问题通过实验来确定参数。这里给出遗传算法研究中的一些常用参数的推荐设定。需要提请注意的是，这里的多数设定都是针对二进制编码的遗传算法而言的。也有一些结果显示，对于有些问题的重组率，设置为60%最好。值得注意的是，非常大的种群数量通常并不会提升遗传算法找到最优解的速度，一般设定种群数量为20～30。
遗传算法并没有针对任何问题都适用的参数设定方法，通常需要针对特定问题通过实验来确定参数。这里给出遗传算法研究中的一些常用参数的推荐设定。需要提请注意的是，这里的多数设定都是针对二进制编码的遗传算法而言的。
（1）重组率。
重组率通常应该设定得比较大，为80%～95%。也有一些结果显示，对于有些问题的重组率，设置为60%最好。
（2）突变率。
突变率一般设定得非常小，常设定为0.1%～1%。
（3）种群大小。
值得注意的是，非常大的种群数量通常并不会提升遗传算法找到最优解的速度，一般设定种群数量为20～30。有些文献中推荐50～100。还有些研究显示，最佳种群大小取决于编码方式以及编码字符串的长度。比如使用32位编码染色体，那么种群大小也设定为32；如果使用16位编码染色体，则种群大小设定为16更好。(www.xing528.com)
（4）选择。
基本的轮盘赌选择经常被采用，有时排序选择的效果会更好，也有时有些复杂的策略会像模拟退火算法那样，在遗传算法运行期间动态修改选择参数。在进行选择时，结合精英选择策略一般能取得更好的效果。
（5）编码。
编码方法的选择一般取决于问题以及问题实例的规模。
（6）重组和突变类型。
重组和突变运算方法的选择通常取决于编码方式和问题本身。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
