Estou tentando criar um solucionador de sudoku 4 x 4 usando o algoritmo genético. Tenho alguns problemas com valores convergentes para mínimos locais. Estou usando uma abordagem classificada e removendo as duas possibilidades de respostas classificadas inferiores e substituindo-as por um cruzamento entre as duas possibilidades de respostas classificadas mais altas. Para obter ajuda adicional para evitar o mininma local, também estou usando mutação. Se uma resposta não for determinada dentro de uma quantidade específica de geração, minha população será preenchida com valores de estado completamente novos e aleatórios. No entanto, meu algoritmo parece ficar parado nos mínimos locais. Como função de condicionamento físico, estou usando:

(Quantidade total de quadrados abertos * 7 (possíveis violações em cada quadrado; linha, coluna e caixa)) - total de violações

população é um ArrayList de matrizes inteiras, em que cada matriz é um possível estado final para o sudoku com base na entrada. A aptidão é determinada para cada matriz da população.

Alguém poderia me ajudar a determinar por que meu algoritmo converge em mínimos locais ou talvez recomende uma técnica a ser usada para evitar mínimos locais. Qualquer ajuda é muito apreciada.

Função de fitness:

public int[] fitnessFunction(ArrayList<int[]> population)
{
    int emptySpaces = this.blankData.size();
    int maxError = emptySpaces*7;
    int[] fitness = new int[populationSize];

    for(int i=0; i<population.size();i++)
    {
        int[] temp = population.get(i);
        int value = evaluationFunc(temp);

        fitness[i] = maxError - value;
        System.out.println("Fitness(i)" + fitness[i]);
    }

    return fitness;
}

Função Crossover:

public void crossover(ArrayList<int[]> population, int indexWeakest, int indexStrong, int indexSecStrong, int indexSecWeak)
{
    int[] tempWeak = new int[16];
    int[] tempStrong = new int[16];
    int[] tempSecStrong = new int[16];
    int[] tempSecWeak = new int[16];

    tempStrong = population.get(indexStrong);
    tempSecStrong = population.get(indexSecStrong);
    tempWeak = population.get(indexWeakest);
    tempSecWeak = population.get(indexSecWeak);
    population.remove(indexWeakest);
    population.remove(indexSecWeak);


    int crossoverSite = random.nextInt(14)+1;

    for(int i=0;i<tempWeak.length;i++)
    {
        if(i<crossoverSite)
        {
            tempWeak[i] = tempStrong[i];
            tempSecWeak[i] = tempSecStrong[i];
        }
        else
        {
            tempWeak[i] = tempSecStrong[i];
            tempSecWeak[i] = tempStrong[i];
        }
    }
    mutation(tempWeak);
    mutation(tempSecWeak);
    population.add(tempWeak);
    population.add(tempSecWeak);

    for(int j=0; j<tempWeak.length;j++)
    {
        System.out.print(tempWeak[j] + ", ");
    }
    for(int j=0; j<tempWeak.length;j++)
    {
        System.out.print(tempSecWeak[j] + ", ");
    }
}

Função de mutação:

public void mutation(int[] mutate)
{
    if(this.blankData.size() > 2)
    {
        Blank blank = this.blankData.get(0);
        int x = blank.getPosition();

        Blank blank2 = this.blankData.get(1);
        int y = blank2.getPosition();

        Blank blank3 = this.blankData.get(2);
        int z = blank3.getPosition();

        int rando = random.nextInt(4) + 1;

        if(rando == 2)
        {
            int rando2 = random.nextInt(4) + 1;
            mutate[x] = rando2;
        }
        if(rando == 3)
        {
            int rando2 = random.nextInt(4) + 1;
            mutate[y] = rando2;
        }
        if(rando==4)
        {
            int rando3 = random.nextInt(4) + 1;
            mutate[z] = rando3;
        }
    }