Selekce lineárním a exponenciálním výběrem
Tyto způsoby selekce vyžadují populaci o jedincích seřazených od nejhoršího jedince k nejlepšímu dle hodnoty fitness. Pravděpodobnost výběru -tého jedince zde pak závisí pouze na jeho pozici (indexu ) jedince v daném seřazení. Pro lineární závislost pravděpodobnosti výběru na indexu dostáváme
(12) |
kde je libovolně zvolené ohodnocení nejlepšího jednice, zpravidla v intervalu je ohodnocení nejhoršího jedince v populaci.
Hodnota může být i vyšší než 2 a preferovat tak ještě více elitní jedince, ale není to pro výpočet výhodné, protože nejhorší jedinci by obdrželi zápornou hodnotu Ostatní jedinci v populaci obdrží ohodnocení v intervalu na základě lineární závislosti pozice svého indexu v populaci.
Poměr respektive je pravděpodobnost výběru nejhoršího, respektive nejlepšího jedince.
Pro exponenciální závislost výběru jedince na jeho indexu dostáváme
(13) |
kde je konstanta z intervalu
Základ exponentu se volí v intervalu navíc zpravidla blízký 1. Je to vhodné s ohledem na zaručený rostoucí průběh exponenciální funkce pro a a přiřazení vyšší pravděpodobnosti výběru lepším jedincům – s exponenciálním nárůstem této pravděpodobnosti od 0 až po hodnotu 1 pro nejlepšího -tého jedince. Změnou parametru lze také zvyšovat či snižovat selektivitu algoritmu (strmost exponenciály) a vytvářet tak rozdílný populační tlak na výběr jedinců. Selekční algoritmus s exponenciálním výběrem patří mezi algoritmy v praxi často používané.