我有一个关于遗传算法中变异的抽象问题。我不包括任何独立于编码环境的代码片段来询问我的问题。
我正在写一个遗传算法代码，但我不知道如何实现变异。假设将要变异的后代是一个长度为20的字符串，如10110011110101000111。
突变必须以非常小的概率进行，例如0.001。我们产生一个介于0和1之间的随机数，并以此来决定后代是否应该突变。我的问题是，我们必须生成20个随机数，并决定每20位后代的突变？或者我们只需要为整个后代生成一个随机数，然后随机切换一点？
换句话说，子代中的每一位都有可能根据生成的随机数发生变异，还是只有一位有可能发生变异？
“传统上”突变率pmutation（“搜索、优化和机器学习中的遗传算法”由David E Goldberg提出）是一种测量染色体随机元素将被翻转成其他东西的相似性的方法（“选项1”）。
也就是说，如果您的染色体编码为长度为1000的二进制字符串，pmutation为1%（0.01），这意味着您的1000位中有10位（平均）将被翻转。
虽然可以避免产生大量随机数来决定下一个突变何时发生（而不是每次调用RNG），但实现稍微复杂一些。为了避免复杂的细节，许多实现都使用“选项2”。
考虑一下，如果L是二元染色体的长度：
1/L通常被认为是一个好的变异率（例如H.Muehlenbein的“遗传算法的真正工作原理：变异和山岭限制”） 1/L是标准，您的“选项2”可能会有一些问题“选项1”更灵活一点，遵循最小惊喜规则，所以如果没有其他细节，我会选择它。
