Невозможно сказать «лучший», но одна модель, которую я использовал для графических задач: для каждого узла (число скважин) вычислить набор соседних узлов/ячеек из всей совокупности. например,
population = [[1,2,3,4], [1,2,3,5], [1,2,3,6], [1,2,6,5], [1,2,6,7]]
adjacencies = {
1 : [2] , #In the entire population, 1 is always only near 2
2 : [1, 3, 6] , #2 is adjacent to 1, 3, and 6 in various individuals
3 : [2, 4, 5, 6], #...etc...
4 : [3] ,
5 : [3, 6] ,
6 : [3, 2, 5, 7],
7 : [6]
}
choose_from_subset = [1,2,3,4,5,6,7] #At first, entire population
Затем создайте новый индивидуальный/сеть по:
choose_next_individual(adjacencies, choose_from_subset) :
Sort adjacencies by the size of their associated sets
From the choices in choose_from_subset, choose the well with the highest number of adjacent possibilities (e.g., either 3 or 6, both of which have 4 possibilities)
If there is a tie (as there is with 3 and 6), choose among them randomly (let's say "3")
Place the chosen well as the next element of the individual/network ([3])
fewerAdjacencies = Remove the chosen well from the set of adjacencies (see below)
new_choose_from_subset = adjacencies to your just-chosen well (i.e., 3 : [2,4,5,6])
Recurse -- choose_next_individual(fewerAdjacencies, new_choose_from_subset)
Идея состоит в том, что узлы с большим числом примыканий созрели для рекомбинации (поскольку население не сошелся на, например, , 1-> 2), более низкое значение «смежности» (но отличное от нуля) подразумевает сходимость, а нулевой граф смежности является (в основном) мутацией.
Просто, чтобы показать пример работы ..
#Recurse: After removing "3" from the population
new_graph = [3]
new_choose_from_subset = [2,4,5,6] #from 3 : [2,4,5,6]
adjacencies = {
1: [2]
2: [1, 6] ,
4: [] ,
5: [6] ,
6: [2, 5, 7] ,
7: [6]
}
#Recurse: "6" has most adjacencies in new_choose_from_subset, so choose and remove
new_graph = [3, 6]
new_choose_from_subset = [2, 5,7]
adjacencies = {
1: [2]
2: [1] ,
4: [] ,
5: [] ,
7: []
}
#Recurse: Amongst [2,5,7], 2 has the most adjacencies
new_graph = [3, 6, 2]
new_choose_from_subset = [1]
adjacencies = {
1: []
4: [] ,
5: [] ,
7: []
]
#new_choose_from_subset contains only 1, so that's your next...
new_graph = [3,6,2,1]
new_choose_from_subset = []
adjacencies = {
4: [] ,
5: [] ,
7: []
]
#From here on out, you'd be choosing randomly between the rest, so you might end up with:
new_graph = [3, 6, 2, 1, 5, 7, 4]
Sanity проверить? 3->6
появляется 1x в оригинале, 6->2
появляется 2x, 2->1
появляется 5x, 1->5
появляется 0, 5->7
появляется 0, 7->4
появляется 0. Таким образом, вы сохранили наиболее распространенную смежность (2-> 1) и два других «возможно значимых» примыкания , В противном случае вы попробуете новые смежности в пространстве решений.
ОБНОВЛЕНИЕ: Первоначально я забыл критический момент, что при рекурсии вы выбираете наиболее подходящий только что выбранному узлу. Это важно для сохранения сетей с высокой степенью пригодности! Я обновил описание.
Может ли проблема свести к проблеме нахождения [минимального связующего дерева] (http://en.wikipedia.org/wiki/Minimum_spanning_tree) в связанном графе? – Andreas