熟悉随机通用抽样、轮盘赌、锦标赛等遗传算法的选择方法。然而，我意识到这些方法接近于统计学中使用的随机抽样。我想知道是否存在基于总体中包含的个体的某些特征的接近统计聚类的实现方法，而不必在做样本之前首先检查所有个体的特定特征。从本质上讲，我希望减少其他抽样方法的随机性，同时保持每个群体中足够的多样性。
对于遗传算法，通常寻找小生境/拥挤策略。他们试图通过保持独特或非常多样化的解决方案来保护多样化的人口，并在人口非常密集的地区替代解决方案。这在多目标优化中特别有用，因为"解决方案"是一个非支配个体的群体。
如果你不做多目标优化，你不需要在整个运行过程中保持不同的种群，那么你也可以使用后代选择遗传算法(OSGA)。它将孩子与父母进行比较，只有在质量超过父母的情况下才会考虑下一代人口。这已经被证明:a)即使在无偏随机的亲本选择下也能起作用;b)保持多样性，直到搜索的很晚，这时种群收敛到一个单一的解。
例如，您可以使用我们的软件HeuristicLab，尝试不同配置的遗传算法并分析它们的行为。