Können sich genetische Algorithmen ohne Mutation entwickeln? Diese Arbeit untersucht die selbstadaptiven Fähigkeiten von Realparameter-genetischen Algorithmen (GAs) unter Verwendung eines simulierten binären Crossover-Operators (SBX) und erreicht dies überraschenderweise ohne Mutationsoperator. Sie hebt das wesentliche Merkmal der Selbstadaptation hervor, das in der natürlichen Evolution zu finden ist, und versucht, es innerhalb der Funktionsoptimierung zu implementieren. Die Studie zieht eine Verbindung zwischen der Funktionsweise von selbstadaptiven Evolutionsstrategien (ESs) und Realparameter-GAs mit SBX. Anschließend wird das selbstadaptive Verhalten von Realparameter-GAs an einer Reihe von Testproblemen demonstriert, die üblicherweise im ES-Bereich verwendet werden. Die Probleme bieten einen Benchmark für den Vergleich der Leistung verschiedener Algorithmen. Letztendlich zeigen die Ergebnisse eine bemerkenswerte Ähnlichkeit in den Funktionsprinzipien von Realparameter-GAs und selbstadaptiven ESs. Diese Ähnlichkeit legt die Notwendigkeit weiterer Untersuchungen zu selbstadaptiven GAs nahe. Diese Forschung trägt zu einem tieferen Verständnis evolutionärer Suchalgorithmen bei und eröffnet neue Wege für die Erforschung im Bereich der genetischen Algorithmen.
Diese in Evolutionary Computation erscheinende Forschung befasst sich direkt mit dem Kernthema des Journals, den von der natürlichen Evolution inspirierten Berechnungsmethoden. Der Fokus der Arbeit auf selbstadaptiven genetischen Algorithmen trägt zur laufenden Entwicklung von Optimierungstechniken innerhalb des evolutionären Berechnungsmodells bei. Sie ist relevant für andere in der Zeitschrift veröffentlichte Arbeiten, die genetische Algorithmen und Evolutionsstrategien untersuchen.