问题描述
我写了一种遗传算法（至少，我认为它是一种遗传算法），试图为kaggle.com Housing Prices Competition for Kaggle Learn Users调整超参数。
我是GA的新手，所以我想就我的算法性能如何获得经验丰富的意见。 在当前运行中，它设法拟合模型，并在15代后约6个小时后获得了16308.82的MAE。它已经运行了十多个小时，并没有得到更好的结果，所以我想这个版本就是这样（当然，可能有方法可以改进算法）。这个表现好吗？可以改善吗？
我将代码保存在github上的jupyter笔记本中：https://github.com/ZackYovel/GA-for-Hyper-Parameter-Tuning。对糟糕的代码很抱歉，我喜欢快速又肮脏地开始，以后再重构。我目前正在开发一个库，该库使我能够使用更干净的代码来实现该算法。
我当前运行中使用的算法是：
- 产生150个个体（个人=超参数值集），分为5个地区（人口）
- 每个人除了具有超参数值外，还具有small_step_mutation和large_step_mutation值（在前面说明）。
- 评估所有个人，并在每个人群中保持15名最好的人 跨界：每个人群中最好的个体与所有其他幸存者成环配对。对于每对，每个超级参数都是从随机选择的父级中复制的（例如，对于每个hp：随机选择parent =妈妈或爸爸，然后将parent [hp]复制到子级）
- 返回步骤3。
small_step_mutation确定当当前值为平均值时用于更改超参数值的标准偏差（例如new_hp_value = np.random.normal（current_hp_value，small_step_mutation *（max_value_for_hp-min_value_for_hp））
large_step_mutation是发生大突变的概率（如果-选择True或False，并且为true选择概率large_step_mutation，则：new_hp_value = random（min_value，max_value）
两个突变参数正在演变中。 small_step_mutation趋向于零，large_step_mutation趋向于1。
步骤3-5是在500代的循环中重复进行的，但我从来没有让它实际运行整个500代，因为每一代都可能花费很长时间（每代15分钟到几小时不等。我认为这是一个bug，我想知道该如何解决。请稍后再试。我希望每代的平均运行时间为15-30分钟）
所以最重要的是，我有两个问题：
- 我目前的表现好吗？可以改善吗？
- 我的算法好吗？可以改善吗？ （我实际上是在做GA还是其他？）
谢谢！
解决方法
GA的步骤如下：
START
Generate the initial population
Compute fitness
REPEAT
Selection
Crossover
Mutation
Compute fitness
UNTIL population has converged
STOP
- 我目前的表现好吗？可以改善吗？ 如果任务的结果增加了，那么您做得很好。否则，您需要找出GA的改进或诸如“差分进化”和“粒子群优化”之类的新进化算法。
- 我的算法好吗？可以改善吗？ （我实际上是在做GA还是其他？） 您需要对代码进行一些更改以提高其性能。首先，突变应位于循环中以增加算法的探索能力。其次，在交叉运算中，应将总体分为解决方案对，然后将交叉应用于所有对。它使新的人口多样化。第三，在每次迭代中，应该存储最佳个体（精英）。