zzwu的专栏

遗传算法入门(连载之八)收藏

.
<遗传算法入门>
.
(连载之八)
.
扎自<游戏编程中的人工智能技术>第三章
清华大学出版社
。。我已把程序用到的所有参数存放在文件defines.h 中了。这些参数中大多数将是
一目了然的，但有其中几个我想说明一下，即   
       
        #define CROSSOVER_RATE 0.7   
       #define MUTATION_RATE  0.001   
       #define POP_SIZE       140   
       #define CHROMO_LENGTH  70   
       
。。你可能想了解我是如何知道需要采用这些变量初值？这可是价值百万美元的问题，
因至今尚未有快速有效的规则能确定这些值，有的只是一些原则性的指导。而且，选
择这些值最终还得归结为每个人对遗传算法所得到的“感觉”，你只能通过自己的编
程实践、用各种不同的参数值进行调试、看结果会发生什么，并从中选取适合的值。
不同的问题需要不同的值，但是通常来说，如果你在使用二进制编码的染色体，则把
杂交率设定为O.7，变异率设为0.001，将是很好的初始缺省值。而确定群体大小的一
条有用规则是将基因组的数目取为染色体长度的２倍。   
	
。。因 70表示 Bob 的 35步的最大可能移动数目，所以这里选择70作为染色体的长
度，它比 Bob 为穿越地图到达出口所需的步数还要多一些。当你学习了以后几章的
方法后可以使遗传算法变得更为有效，到时你就能将这个长度减少下来。 
        
历史的注释 
。。遗传算法是 John Holland大脑的产物，早在上个世纪60年代，他已提出这种
。。想法。但不可思议的是，他没有感到需要在计算机上实际试验出结果，而宁愿
。。利用笔和纸来作修修补补的工作！ 直到后来他的一名学生编写出程序并在一台
。。个人计算机上运行后，才使人们终于看到在软件中利用他的思想能够得到什么。 
3.4.4 算子函数（The Operator Functions）
  
。。我们现在从头到尾来考察一遍遗传算法的各种操作(或称算子)函数－选择、杂交
、变异－的代码。尽管很简单，但与你一起通读一遍源码能给你重温一次这些函数的
机会。这可使你在了解遗传算法的知识时对它们具有更确切的认识。   


3.4.4.1重温轮盘赌选择
       (Roulette Whell Selection Revisited )
   
    让我们从轮盘赌选择算法开始。请记住，这一个函数的功能是从群体中选择一个
基因组，选中的几率正比于基因组的适应性分数。   

 SGenome& CgaBob::RouletteWheelSelection()   
 {   
   double fSlice = RandFloat()*m_dTotalFitnessScore;   

。。我们从零到整个适应分范围内随机选取了一实数fSlice 。我喜欢把此数看作整个
适应性分数饼图中的一块，如早先在图3.4中所示。 ［但并不是其中一块，译注］   

   double cfTotal = O;   
   int SelectedGenome = 0;   
   for (int i=O; i<m_iPopSize; ++i)   
     {   
      cfTotal += m_vecGenomes[i].dFitness;   
      if (cfTotal > fSlice)   
       {   
         SelectedGenome = i;   
         break;   
       }   
     }   
     return m_vecGenomes[SelectedGenome];   
  }   
。。现在，程序通过循环来考察各基因组，把它们相应的适应性分数一个一个累加起
来，直到这一 部分累加和 大于 fSlice 值时，就返回该基因组。就是这样简单。 

        
  3.4.4.2 重温杂交操作（Crossover Revisited）

。。这一函数要求２个染色体在同一随机位置上断裂开，然后将它们在断开点以后的
部分进行互换，以形成 2 个新的染色体 ( 子代 ) 。   

   void CgaBob::Crossover ( const vector<int>  	&mum,   
		   	const vector<int>  	&dad,   
   		   	vector<int> 		&baby1,   
  		   	vector<int> 		&baby2)   
    {   
      这一函数共传入 4 个参数，参数传递均采用引用（ reference ）方式，其中
       前2 个传入父辈 parent 的染色体（别忘记 , 染色体只是一个整数型的矢量 
       std::vector ），后 2 个则是用来 copy 子代染色体的空矢量。   
     if ( (RandFloat() > m_dCrossoverRate) || (mum == dad) )   
       {   
         baby1 = mum;   
         baby2 = dad;   
         return;   
       }   
   
。。这里，首先是进行检测，看 mum 和 dad 两个上辈是否需要进行杂交。杂交发生
的概率是由参数 m_dCrossoverRate 确定。如果不发生杂交，则２个上辈染色体不作
任何改变地就直接复制为子代，函数立即返回。   

   int cp = RandInt(0, m_iChromoLength - 1) ； 

        
。。沿染色体的长度随机选择一个点来裂开染色体。   
       

  for (int i=0; i<cp; i++)   
     {   
       baby1.push_back(mum[i]);   
       baby2.push_back(dad[i]);   
     }   
       for (i=cp; i<mum.size(); i++)   
       {   
        baby1.push_back(dad[i]);   
        baby2.push_back(mum[i]); 

        
。。这两个小循环把 2 个 parent 染色体在杂交点（ CP,crossover point ）以后
的所有位进行了互换，并把新的染色体赋给了 2 个子代 : baby1 和 baby2 。   

3.4.4.3 重温变异操作（Mutation Revisited）  

。。这一函数所做的工作，不过就是沿着一个染色体的长度，一bit一bit地进行
考察，并按m_dMutationRate给定的几率，将其中某些bit实行翻转。   

void CgaBob::Mutate(vector<int> &vecBits)   
 {   
   for (int curBit=0; curBit<vecBits.size(); curBit++)   
   {   
    //是否要翻转此bit?   
    If (RandFloat() < m_dMutationRate)   
     (   
       //是，就翻转此bit   
       vecBits[curBit] = !vecBits[curBit];   
     }   
   }//移到下一个bit   
 }   

。。就是这些了。你的第一遗传算法程序也就这样完成了！下面让我花一些时间来说
明一下，当你在运行 Pathfinder 程序时，你能看到些什么？  
 
－连载８完－