10.4遗传算法初探

• A Gentle Introduction to Genetic Algorithms(遗传算法简介)

  

• Biology Background

  

  

  • Gene：基因是DNA工作片段
  • Gene Trait：基因性状，例如“眼睛的颜色”
  • Allele：等位基因，眼睛有几种颜色（粽、绿、黑、蓝等等）
  • Genotype：基因型，携带的是什么基因
  • Phenotype：表现型，表现为眼睛的颜色是什么颜色
• Genetic Algorithms

  

  • loosely base on：大致基于
  • 思想：先生成一个初始解，可能很差，但是可以一点一点提高
• Basic Components

  

  • 解释
    • Representation（表示）
      • 先编码表示才可以计算机运算
        • 二元问题（离散）
        • 连续问题
    • Genetic Operators（遗传算子）
      • 杂交（交换某些基因）
      • 变异
    • Selection Strategy（选择=适者生存）
      • 1. 选择哪些“父母”可用来“繁殖”
      • 2. 生成的“后代”哪些可以“生存”
  • Representation

    

    • individual：一般来说是与输入一一对应的向量
    • population：很多individual合在一起，有助于提高global optimization
    • Offspring：后代，由原向量生成的新向量
    • Encoding：
      • 二进制除了Binary（0、1）还可以使用Gray（格雷码）

        

        • 格雷码特点：任意相邻的两个编码间（海明）距离都是1
        • rotary encoder(轴编码器：一种电机机械装置，将轴或轴的角度位置或运动转换为模拟或数字代码)
          • 黑色表示为金属片（是接触的），旋转时碰到金属片会产生回路，生成1，否则生成0
          • 二进制编码时，旋转中可能会有多个位同时变化，在实际中，机械“接触”或“分开”无法完全同步，会因此产生“突变”，对于系统来说会变得非常不稳定
          • 格雷码在旋转中，每次只有一位发生变化，所以相对来说比较稳定
      • TSP(Traveling Salesman Problem)问题（例如访问10个城市，如何编码）
  • Selection I

    

    • 通过打分选择是否可以使用某个个体进行reproduction/Crossover
    • 方法：roulette wheel selection（轮盘赌选择法），分数（高）与面积（概率高）相关，有更大的概率被选择
    • 缺点：
      • 无法计算负值的比例
      • 如果有一个值特别高，导致“资源”倾斜（过早、过度集中）
  • Selection II（Rank Selection）
    • 方法：不用原始值，而是对其排序
    • 好处：
      • 缩小了分数差距，降低选择压力（selection pressure）
  • Selection III（tournament selection锦标赛选择）

    

    • 方法：通过在一组随机选取的个体中选择适应度最高的个体
    • 问题：
      • 几个几个PK比较好？
      • 在这种方法中什么样的个体有可能被选中（只要不是最差的那个）
    • 答案：
      • 两个两个PK的话，至少要倒数第二名才会被选中
      • 三个三个PK的话，至少要倒数第三名才会被选中
      • 以此类推
    • 结论：
      • PK的人数越多，Selection Pressure 越大
  • Selection IV
    • Elitism精英选择
      • 原因：
        • 进化过程中，不能保证每一次都比上一次好
        • 类比现实，某人很优秀，但是不能保证高考时不会失利
      • 方法：把原来表现最好的Copy到下一代（“保送”到下一代），避免遭受到可能的，通过杂交变异“把好的搞成了不好的”
    • Offspring Selection（后代选择）

      

      • 把所有生成的新个体最为下一次迭代中的“父母”
      • 把新的生成的和旧的“父母”合在一起，选择100个最好的