遗传算法简单入门

久远的记忆，发上来和有缘人分享一下，格式有些乱掉了。。。

 

 

内部交流系列二

遗传算法简单入门

 

    对遗传算法感兴趣，一方面源自中学生物，另一方面，进化计算，个人认为也是一种趋势，多少需要了解一点。

神经网络让人流连忘返，乐此不疲的构造各种训练样本，然后看看网络的反应是如何的；如果说用神经网络可以构建一个脑，那么遗传算法帮助下，我们则可以创建一个全新的世界。

 

1、算法步骤

初始化第一代

适合度分等

选择（赌轮选择法）

交叉变异（杂交，杂交变异率）

随机突变（突变率）

不断演化

 

2、算法步骤简单说明

    说的很玄乎，实际上这个算法的思路很好理解：

    （注：如果有疑问，多看看括号里面的话，对比思考一下，如果还有疑问，说明解释的不够清晰，自己再查查资料啦^_^）

1、针对问题，构造问题的解为二进制数据串，算法中看做一个染色体串

    （人的基因序列）

2、初始化第一代的个体染色体群

    （new 100个亚当、100个夏娃，上帝只造了一对，很冒险的说，还是仿造咱们老古人，一百对童男童女渡船到某个岛上。。。 。。。扯远了，come back）

3、不断循环演化出新一代染色体群，直到找出一个解（最重要的部分，一个时代epoch）

（怎么说的来着，子子孙孙无穷溃也，可能直到地球毁灭吧）

（注：也有可能算法不收敛，即找不到解，要设定一个最大演化次数）

（1）检查每一个个体，看看解决问题的能力怎么样，对其打分，即适应度分等

（对于控制人类演化的大神来说，要清楚每个亚当和夏娃的综合能力怎么样，以便使下一代得到好的遗传基因的概率最大化）

（2）从当前个体中选出若干个体，作为下一代的母染色体

这里常用的选择方式是“赌轮选择法 roulette wheel selection”，也就是说，适应度越高，被选中的概率越大，注意不是适应度最高的一定被选中，而是说概率最大。

（夏娃竞争超女，同时亚当进行高考相亲，实力最强的晋级几率最大，也难保有运气好的黑马让它阴沟里翻船）

（3）按照预定的杂交率（crossover rate），从每个选中染色体的一个随机确定的点上进行杂交。

（计算机世界貌似不太好处理这一步，实际上，就是生个娃下个崽的事情）

（衍生一下，其实用代码处理这个事情相当容易且强大，如果思维够开阔的话，就会慢慢发现这个算法的魅力：下一代不一定只能由一个母体一个父体杂交创建，综合多个母体父体的优秀基因也许会更好；染色体不一定要对位交换基因序列，某一小段优秀基因，在其它位置也许也是表现很优秀的；变异率不一定是比较低才好，整代表现差的时候，变异率设为很高也许能让这一代人脱胎换骨）

（4）随机突变按照预定的变异率（mutation rate），把个体染色体相应的位进行翻转（flip）

    （比较好理解，就不类比了）

（5）重复步骤（2）、（3）、（4），直到新一代的数量达到上一代的数量

（下一代的数量不能太少，算法中保持相同比较好处理，也不知道要演化多少代）

3、算法源代码

模拟一个花朵的演化过程：

1、这个世界的环境参数：

private int flowerNumber;   // 种群数量（一代中的花朵数量）

private Random r;       // 决定种群初始状态，随机突变等随机过程以及随机结果

private int[] temperature; // 每朵花的最佳生长温度

private int[] water;        // 最佳水分

private int[] sunlight;    // 最佳光照

private int[] nutrient;    // 最佳养分

private int[] beneficialInsect;  // 对它有益的虫子（编号？数量？）

private int[] harmfulInsect;     // 对它有害的虫子（编号？数量？），注意作者这里是举例多个参数，明白意思即可，别抠字眼哦

// 当前的环境条件

private int currentTemperature;

private int currentWater;

private int currentSunlight;

private int currentNutrient;

private int currentBeneficialInsect;

private int currentHarmfulInsect;

2、第一代花朵的当前生存环境采用随机值：（多数情况下，根据实际问题设定一个初始值）

// [0,75)之间

   currentTemperature = r.nextInt(75);

   currentWater = r.nextInt(75);

   currentSunlight = r.nextInt(75);

   currentNutrient = r.nextInt(75);

   currentBeneficialInsect = r.nextInt(75);

   currentHarmfulInsect = r.nextInt(75);

3、第一代花朵中，每朵花的最佳环境参数，也采用随机值：（多数情况下，根据实际问题设定一组经验值）

for(int i = 0; i < flowerNumber; i++){

       temperature[i] = r.nextInt(75);

       water[i] = r.nextInt(75);

       sunlight[i] = r.nextInt(75);

       nutrient[i] = r.nextInt(75);

       beneficialInsect[i] = r.nextInt(75);

       harmfulInsect[i] = r.nextInt(75);

}

4、找出最适应当前环境的花朵：（具体问题不同，这里的策略可能不同，每个条件的权重也可能不一样等等）

// 花朵适应度函数，找出长的最高的

public int fitness(int flower){

int theFitness = 0;    

   theFitness = Math.abs(temperature[flower] - currentTemperature);

   theFitness += Math.abs(water[flower] - currentWater);

   theFitness += Math.abs(sunlight[flower] - currentSunlight);

   theFitness += Math.abs(nutrient[flower] - currentNutrient);

theFitness += Math.abs(beneficialInsect[flower] - currentBeneficialInsect);

theFitness += Math.abs(harmfulInsect[flower] - currentHarmfulInsect);    

   return theFitness;

}

5、最重要的时代函数：

// 花朵演化函数（  没有贴源代码，这里主要是几个步骤比较重要，实现起来不尽相同  ）

public int evolve(){

   // 首先找出适合度最小的成员，即误差最大的

// 把适合度最小的成员的特征，重新赋值，即丢弃最不合适的基因

   

// 交叉变异，随机混合花群特征

// 以百分之一的概率随机突变，这个突变概率太大，主要是演示思想

 

// 返回新一代中，适应度最高的花朵

 

// 每一代都会淘汰部分适应度最低的花朵，以使得总体基因的水平逐步提高

}

6、演示Main（）方法

while(i < 100000){ // 设定最多演化的次数，超过这么多代还不满足适应度需求，视为不收敛，说明第一代的基因和环境条件差距过大

    Thread.sleep(1000);

   System.out.print("\n第 " + i++ + "代花朵\t");

   best = flowerWorld.evolve();   // 演化一代，得到最适应环境的花朵

if(flowerWorld.fitness(best) < 50) // 如果已经满足适应度需求

           break;

}

 

附注：

这是一个思想简单功效强大的算法，简洁而博大，极好的探索素材^_^

 

4、Java类库:

JGAP，sourceforge上面开源项目，已经发展了比较久

5、推荐书籍

<游戏开发中的人工智能><AI for Game Developers>(David M. Borug & Glenn Seemann)

<游戏编程中的人工智能技术><AI Techniques for Game Programming>(Mat Buckland)