選択（進化アルゴリズム）

ルーレット選択では、次世代の繁殖のために個体を選択する確率はその個体の適応度に比例し、適応度が高いほどその個体が選ばれる可能性が高くなります。個体の選択は、現在の世代の個体数と同じ数のポケットがあり、ポケットの大きさがそれぞれの確率に応じて決まるルーレットを回すこととして表現できます。個体を選択する確率${\displaystyle i}$に等しい${\displaystyle p_{i}={\frac {f_{i}}{\Sigma _{j=1}^{N}f_{j}}}}$、 どこ${\displaystyle f_{i}}$のフィットネスは${\displaystyle i}$そして${\displaystyle N}$は現在の世代のサイズです（この方法では、1人の個体が複数回抽出される可能性があることに注意してください）。

ランク選択では、選択の確率は適応度に直接依存するのではなく、集団内における個体の適応度ランクに依存します。^{[ 9 ]}正確な適応度値自体は必要ではなく、個体を品質に応じて並べ替えるだけで十分です。

調整可能な選択圧に加えて、ランクベースの選択の利点は、劣った個体にも繁殖して改善する機会を与えるという点にもある。^{[ 10 ]}これは、制約のあるアプリケーションで特に役立つ。なぜなら、制約違反のために評価が低い複数の個体のシーケンスを介して、複数の中間ステップで制約を克服することが容易になるからである。

世代ごとに、少数の染色体（優れた染色体、つまり適応度の高い染色体）が選択され、新しい子孫が作られます。次に、一部の染色体（劣った染色体、つまり適応度の低い染色体）が除去され、新しい子孫がその場所に配置されます。残りの個体群は次の世代へと生き残ります。

トーナメント選抜とは、複数の参加者の中から1名を選ぶ方法である。各トーナメントの優勝者がクロスオーバーを行うために選ばれる。

切り捨て選択では、個体は適応度に応じてソートされ、上位個体の一部（10%～50%）が次世代のために選択される。^{[ 9 ]}

より良い結果を得るために、部分的な繁殖戦略が用いられることが多い。その一つがエリート主義であり、前世代の最も優れた個体のごく一部を（何の変更も加えずに）次世代に引き継ぐものである。

ボルツマン選択では、連続的に変化する温度が、あらかじめ設定されたスケジュールに従って選択率を制御します。温度は最初は高く、選択圧は低いことを意味します。温度は徐々に低下し、選択圧が徐々に高まるため、GAは適切な多様性を維持しながら、探索空間の最良の部分にさらに近づくことができます。^{[ 14 ]}

ほとんどの選択アルゴリズムは、多くの場合、複数のトレーニングケースから導出されたスカラーの適合度値に基づいて個々のゲノムを選択します。対照的に、Lexicase選択は、複数のケースにわたるパフォーマンス指標を集計するのではなく、個々のトレーニングケースのパフォーマンスを個別に考慮します。各選択イベントで、ケースを異なるランダムな順序で、したがって異なる優先順位で考慮します。^{[ 15 ] [ 16 ] [ 17 ]}