python - 遗传算法: Higher Mutation Rate leads to lower run time

我实现了一种遗传算法来解决旅行商问题(边缘的权重随一天的时间而变化)的问题。目前，我正在评估仿真的不同参数，但偶然发现了一个我无法向自己解释的相关性:



较高的突变率导致较低的运行时间。就我个人而言，我会相反，因为较高的突变率会产生更多的操作。
(25％变异率比5％快12％)

8％的突变率可以达到最好的结果(5％优于10％，而25％表现最差(0％除外))适应性值越低越好。



迭代计数由生成参数设置，在所有测试用例中，生成参数均设置为10.000。

每个测试用例执行10次。

我的实现(在python中)如下所示:

def mutate(self,p):
    for i in self.inhabitants:
        r = random()
        if r <= p:
            i.mutate()

p是突变率

突变看起来像这样

def mutate(self):
    r1 = randint(0,self.locations.size()-1)
    r2 = randint(0,self.locations.size()-1)
    self.locations.swap(r1,r2)

为什么更高的突变率会导致更快的执行时间？

编辑:我实际上在Raspberry Pi上运行了相同的测试(速度慢了9倍)，并且结果相同:

最佳答案

没有完整的代码是不可能知道的，但是以下内容似乎是合理的:

当突变率较低时，几代后，种群变得比突变率较高时更均匀。在假设您使用轮盘抽样的某种变体的基础上，更均匀的种群意味着轮盘的每个“旋转”平均花费的时间要比种群数量更多的种群(在这种情况下，相对较少的成员将主导轮盘的分布)适应度，因此往往是在对较少的人群进行扫描后才选择的)。

可以肯定的是，您可以使用诸如cProfile之类的性能分析工具来准确查看这些CPU周期的运行方向。

关于python - 遗传算法: Higher Mutation Rate leads to lower run time，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/36179057/