Muestreo universal estocástico

El muestreo universal estocástico ( SUS ) es una técnica de selección utilizada en algoritmos evolutivos para seleccionar soluciones potencialmente útiles para la recombinación. Fue introducido por James Baker. ^{[ 1 ]}

SUS es un desarrollo de la selección proporcional a la aptitud (FPS) que no presenta sesgos ni dispersión significativa. Mientras que FPS elige varias soluciones de la población mediante muestreo aleatorio repetido, SUS utiliza un único valor aleatorio para muestrear todas las soluciones, seleccionándolas a intervalos regulares . Esto brinda a los miembros más débiles de la población (según su aptitud) la posibilidad de ser seleccionados.

El rendimiento de FPS puede ser deficiente cuando un miembro de la población tiene una aptitud muy elevada en comparación con los demás. Utilizando una regla similar a un peine, SUS parte de un número aleatorio pequeño y selecciona a los siguientes candidatos del resto de la población, evitando que los miembros más aptos saturen el espacio de candidatos.

Descrito como un algoritmo, el pseudocódigo para SUS se ve así:

SUS( Población , N ) F := aptitud total de la Población N := número de descendientes a conservar P := distancia entre los punteros ( F / N ) Inicio := número aleatorio entre 0 y P Punteros := [ Inicio + i * P | i en [0..( N -1) ]] return RWS( Población , Punteros ) RWS( Población , Puntos ) Mantener = [] para P en Puntos I := 0 mientras la suma de aptitud de Población [0.. I ] < P I ++ agregar Población [ I ] a Mantener devolver Mantener

¿Dónde se encuentra el conjunto de individuos con índice de matriz del 0 al (inclusive) I ?Population[0..I]

Aquí, RWS() describe la mayor parte de la selección proporcional a la aptitud (también conocida como " selección por ruleta "). En la verdadera selección proporcional a la aptitud, el parámetro Puntos es siempre una lista (ordenada) de números aleatorios del 0 al F. El algoritmo anterior tiene un carácter ilustrativo, no canónico.

• Selección proporcional a la aptitud
• Selección basada en recompensas