遗传算法入门(连载之三）

 
 

  
  
     
     

      
      遗传算法入门
     
     
     
     

      
      (连载之三)
     
     
     
     

      
       
       
 
        . 
       
     
     
     
     

      
      扎自<游戏编程中的人工智能技术>第三章  
     
     
     
     

      
      (美）Mat Buckland 著
     
     
     
     

      
      吴祖增 沙 鹰 译
     
     
     
     

      
      ．
     
     
     
     

      
      清华大学出版社出版
     
     
 
 
 
 

  
  3.4.2 Epoch （时代） 
 
 
 
 

  
  
        
    遗传算法类中最烩灵人口的内容就是 Epoch()方法。这就是我们前面3.3节讲
过的遗传算法的那个循环。它是这个类的工作部门（workhorse）。这一方法与所
有工作或多或少都有连系。下面就让我们来更近距离地考察它 ... 
 
void CgaBob::epoch()  
{  
  UpdateFitnessScores();  

    在每一个 epoch 循环内所要做的第一件事情，就是测试染色体群中每一个成
员的适应性分数。 UpdateFitnessScores() 是用来对每个基因组的二进制染色体
编码进行译码的函数，而由它再把译码所得到的一系列结果，也就是由代表东、
南、西、北四个方向的整数，发送给 CBobsMap::TestRoute 。后者检查Bob在地
图中游走了多远，并根据Bob离开出口的最终距离，返回一个相应的适应性分数。
让我通过很少几行源码来告诉你怎样计算Bob的适应性分数: 

  
  int DiffX = abs(posX - m_iEndX);  
  int DiffY = abs(posY - m_iEndY); 

      
    这里，DiffX和DiffY 就是Bob所在格子相对于迷宫出口的水平和垂直偏离值。
试考察图 3.6 的例子。灰色小格代表Bob通过迷宫的路程，上面写着B的小格是他
最终所到达的地方。在这一位置上，Diffx = 3，而 DiffY = 0。

 
 

 
 


  
  
      

 
 

 
 


  
  


   
   


  
  

 
 
图 3.6 Bob尝试寻找迷宫出口 

 
      这最后一行式子就是计算 Bob 的适应性分数。它把 DiffX与DiffY 两个数字加起来然后求倒数。DiffX与DiffY的和数中还加了一个１，这是为了确保除法不会出现一个分母为零的错误，如果 Bob到达出口，Diffx + DiffY = 0。 
     UpdateFitnessScores 也保持对每一代里适应分最高的基因组、以及与所有基因组相关的适应性分数的跟踪。这些数值在执行轮盘赌选择时需要使用。到此，你已经知道了函数 
UpdateFitnessScores() 所做的全部工作，让我们回到 Epoch 函数的讨论 ... 
     由于在每一个Epoch中都需要创建一个新的基因组群，因此，当它们在创建出来时(每次２个基因组)，我们需要寻找一些地方来保存它们。
  //现在创建一个新的群体 
  int NewBabies = 0;    
  //为婴儿基因组创建存储器  
 vector<SGenome> vecBabyGenomes; 
现在继续讨论遗传算法循环中所处理的各种事务。 
  while (NewBabies < m_iPopSize)     
  { 
  //用轮盘赌法选择 2 个上辈（parents） 
  SGenome mum = RouletteWheelSelection();   
  SGenome dad = RouletteWheelSelection(); 
    在每次迭代过程中，我们需要选择 2 个基因组来作为 2 个新生婴儿的染色体的上辈。我今后常喜欢把这２个上辈分别称为 dad （父亲）和 mum （母亲）因为他们将来就是要生孩子的）。你应该回忆得起来，一个基因组的适应性愈强，则由轮盘赌方法选择作为父母的几率也愈大。 
 //杂交操作     
  SGenome baby1, baby2;  
  Crossover(mum.vecBits ,dad.vecBits, baby1.vecBits, baby2.vecBits); 
    以上２行的工作是：创建 2 个空白基因组，这就是２个婴儿；它们与所选的上辈一起传递给杂交函数 Crossover() 。这一函数执行了杂交（需要依赖于所设杂交率m_dCrossoverRate来进行），并把新的染色体的２进制位串存放到２个新生婴儿 baby1和baby2之中。 
  // 变异操作  
   Mutate(baby1.vecBits);  
   Mutate(baby2.vecBits); 
    以上这 2 步是对婴儿实行突变！这听起来可怕，但这对他们是有利的。一个婴儿的位的突变概率依赖于所选的参数 m_dMutationRate（突变率）。 
   // 把２个新生因个婴儿加入新群体  
   vecBabyGenomes.push_back(baby1);  
   vecBabyGenomes.push_back(baby2);  
    NewBabies += 2;  
} 
    这 2 个新生后代最终要加入到新的群体中，这样就完成了一次 Loop 的迭代过程。这一过程需要不断重复，直到创建出来的后代总量和初始群体的大小相同。
  // 把所有婴儿复制到初始群体  
  m_vecGenomes = vecBabyGenomes;  
   // 代的计数加１  
   ++m_iGeneration;  
} 

    这里，原有的那个群体由新生一代所组成的群体来代替，并把代的计数器加１，以跟踪当前的代。就是这么一些了！呵呵，不难吧？ 
    这一 Epoch函数将无止境地重复，直到染色体收敛到了一个解，或到用户要求停止时为止。下面我将会向你显示上述各种操作（算子）的代码，但在此首先让我们来聊聊，应该如何确定使用的参数值。 

 
 



 
 

 

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。 
        
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！

(连载三完)