<P>The selection of the parameters i think this&nbsp;quote says alot about:

<P>"Selecting the various genetic algorithm parameters, such as mutation rate and type of crossover, is still more of an art than a science (Haupt and Haupt 1998, 64)." 

<P>The following is from: Melanie Mitchell's "An Introduction to Genetic Algorithms"

<P>(keep in mind&nbsp;that these numbers dont necessarily provide optimal results for all fitness functions.)

<P>(have you checked out galib examples that use GARealGenome?)

<P>1) De Jong's earlier studies:

<P>pop_size=50-100; best single_pt crossover=0.06; pmut=0.001

<P>2)Grefenstette(1986):

<P>On-line: psize=30; pcross=0.95; pmut=0.01; gen_gap=1; elitist selection

<P>Off-line: De Jong and Grefensetter perform more or less the same

<P>3)Schaffer, Caruana, Eshelman, &amp; Das (1989):

<P>On-line: psize=20-30; pcross=0.75-0.95; pmut=0.005-0.01

<P>4) Self-adaptation

<P>hehe goodluck there

<P>side note:&nbsp; the following is a good param setting used by Haupt and Haupt (1998, 49-65) for continuous parameter ga strictly in their example:

<P>&nbsp; selection: 

&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; (Ngood+Nbad=Npop) So every generation Nbad is dropped to be replaced by the new offspring from Ngood parents. Perhaps use 50% good/ 50% bad ratio. this is upto you how u do ur selection.

<P>&nbsp;&nbsp; pmut=0.04(1 to 20% is the range you should test in)

<P>&nbsp; crossover in cont =&gt; Adewuya(1996) &amp; Michalewicz (1994) review the methods for doing continuous mating

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; =&gt; Radcliff, 1991 defines this as:

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Pnew=B Pmn + (1-B)Pdn where

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; B = random number [0,1]

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Pmn=the nth parameter in the mother chromosome

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Pdn=the nth parameter in the father chromosome

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; (the second term in the eqn is the complement of the 1st)

<P>&nbsp;B = 0.5(Davis, 1991)=&gt;avg. of two parents (Michalewicz, 1994) shows that this works well on bunch of problems

<P>The simplest is linear crossover (Wright, 1991).&nbsp; Three offspring from two parents are produced by:

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Pnew1 = 0.5Pmn + 0.5Pdn

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Pnew2 = 1.5Pmn - 0.5Pdn

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Pnew3 = -0.5Pmn + 1.5Pdn

<P>If you did heuristic(probabilistic) crossover (Michalewicz, 1991) B is chosen random from [0,1] and

<P>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Pnew = B(Pmn - Pdn) + Pmn

<P>There are also other ones such as BLX-alpha (Eshelman &amp; Shaffer, 1993) or Quadratic crossover (Adewuya, 1996

<P>&nbsp;With GALIB,&nbsp; uniform initializer, gaussian mutator, uniform crossover are defaults

<P>ex 21 &amp; 23

if u want low gen &amp; pop than u will use higher crossover for sure and mutation u would have to play with.

<P>goodluck

<P>murat saginc

<P>Computer Science

<P>The College of Wooster

<P>Wooster, OH

<P>&nbsp;

<P>&nbsp; <B><I>Naveeed Ahmad &lt;noni_4444@hotmail.com&gt;</I></B> wrote: 

<BLOCKQUOTE style="BORDER-LEFT: #1010ff 2px solid; MARGIN-LEFT: 5px; PADDING-LEFT: 5px">Hi all, i am using galib to optimize the shape of fuzzy membership functions of a  fuzzy ball beam system. The problem i face is that my population does not change after i callthe  evolve function. i am using GARealGenome with GASimpleGA. i cant run the  program for long time, so i have to keep the number of generations and  population size minimum. Currently i have a popluation size of 4 and 10 number of generations...It  already takes about 15 minutes to find a solution(which is similar to the  string initially fed to the GARealGenome). Can anyone suggest minimum number of generations and populations to observe  some change. Should i change any other parameters.. Thanks in advance Naveed Ahmad National University of Computer and Emerging Sciences Lahore Pakistan Email: 972@nu.edu.pk noni_4444@hotmail.com ___________!

______________________________________________________<BR>Get your FREE download of MSN Explorer at http://explorer.msn.com/intl.asp.<BR><BR>_______________________________________________<BR>galib mailing list<BR>galib@mit.edu<BR>http://lancet.mit.edu/mailman/listinfo/galib</BLOCKQUOTE><p><br><hr size=1><b>Do You Yahoo!?</b><br>

<a href="$rd_url/welcome/?http://taxes.yahoo.com/">Yahoo! Tax Center</a> - online filing with TurboTax