我想知道如何提高实现遗传算法的程序的整体效率，希望得到一些建议。是的，这是一个作业问题，但我已经独立完成了任务，只是想找到一种使其性能更好的方法。
问题描述
目前我的程序读取给定链，由“h”或“p”构成。（例如：hphpphhphpphphhpphph）对于每个H和P，它生成一个随机移动（上、下、左、右），并将该移动添加到包含在“染色体”对象中的ArrayList中。初始时，程序为10,000个染色体生成19个移动。
在此之后，需要从种群中选择染色体进行交叉。我的交叉函数从最适应的20%种群中随机选择第一个染色体，并从前20%以外的其它位置随机选择第二个染色体。然后对所选染色体进行交叉，并调用突变函数。我认为我最大的问题在于计算每个染色体的适应度。目前，我的适应度函数创建一个2D数组作为网格，按照上面显示的函数生成的移动列表的顺序放置移动，然后循环遍历数组进行适应度计算。（即，在位置[2,1]找到H，则Cord [1,1] [3,1] [2,0]或[2,2]也是H，如果找到H，则只增加发现的键数）。
计算完成后，将删除适应度最低的染色体并添加新染色体，然后对染色体数组列表进行排序。反复执行，直到找到目标解决方案。
如果您想看更多我的代码以证明我实际上已经完成了工作，请告诉我（不想发布太多，以免其他学生只是复制粘贴我的东西）。
SecureRandom sec = new SecureRandom();
byte[] sbuf = sec.generateSeed(8);
ByteBuffer bb = ByteBuffer.wrap(sbuf);
Random numberGen = new Random(bb.getLong());
int numberMoves = chromosoneData.length();
moveList = new ArrayList(numberMoves);
for (int a = 0; a < numberMoves; a++) {
int randomMove = numberGen.nextInt(4);
char typeChro = chromosoneData.charAt(a);
if (randomMove == 0) {
moveList.add(Move.Down);
} else if (randomMove == 1) {
moveList.add(Move.Up);
} else if (randomMove == 2) {
moveList.add(Move.Left);
} else if (randomMove == 3) {
moveList.add(Move.Right);
}
}
在此之后，需要从种群中选择染色体进行交叉。我的交叉函数从最适应的20%种群中随机选择第一个染色体，并从前20%以外的其它位置随机选择第二个染色体。然后对所选染色体进行交叉，并调用突变函数。我认为我最大的问题在于计算每个染色体的适应度。目前，我的适应度函数创建一个2D数组作为网格，按照上面显示的函数生成的移动列表的顺序放置移动，然后循环遍历数组进行适应度计算。（即，在位置[2,1]找到H，则Cord [1,1] [3,1] [2,0]或[2,2]也是H，如果找到H，则只增加发现的键数）。
计算完成后，将删除适应度最低的染色体并添加新染色体，然后对染色体数组列表进行排序。反复执行，直到找到目标解决方案。
如果您想看更多我的代码以证明我实际上已经完成了工作，请告诉我（不想发布太多，以免其他学生只是复制粘贴我的东西）。
根据评论建议，我在我的应用程序上运行了分析器（以前从未使用过，只是一年级计算机科学学生），我最初猜测的问题所在似乎有些不正确。从分析器告诉我的信息来看，主要的瓶颈在于：
- 将新染色体与种群中的其他染色体进行比较以确定其位置。我通过实现Comparable接口来完成这个操作：
public int compareTo(Chromosome other) {
if(this.fitness >= other.fitness)
return 1;
if(this.fitness ==other.fitness )
return 0;
else
return -1;
}
The other area of issue described is in my actual evolution function, consuming about 40% of the CPU time. A codesample from said method below
double topPercentile = highestValue; topPercentile = topPercentile * .20; topPercentile = Math.ceil(topPercentile); randomOne = numberGen.nextInt((int) topPercentile); //Lower Bount for random two so it comes from outside of top 20% int randomTwo = numberGen.nextInt(highestValue - (int) topPercentile); randomTwo = randomTwo + 25; //System.out.println("Selecting First: " + randomOne + " Selecting Second: " + randomTwo); Chromosome firstChrom = (Chromosome) populationList.get(randomOne); Chromosome secondChrom = (Chromosome) populationList.get(randomTwo); //System.out.println("Selected 2 Chromosones Crossing Over"); Chromosome resultantChromosome = firstChrom.crossOver(secondChrom); populationList.add(resultantChromosome); Collections.sort(populationList); populationList.remove(highestValue); Chromosome bestResult = (Chromosome) populationList.get(0);The other main preformance hit is the inital population seeding which is performed by the first code sample in the post