[ML] Genetic Algorithm 理论概述

Genetic Algorithm 遗传算法：
遗传算法受到达尔文自然选择理论的启发，以遗传/变异/择优的策略进行机器学习进程。

核心算法逻辑：

# Copyright：CMPUT 296, University of Alberta
# Pseudocode 伪代码
population = initialize populationSize random points
time = 0
while avg or best (F(population))<threshold and time<maxTime:
	time++
	MutatePopulation(population)
	population += CrossoverPopulation(population) 
	population = Reduce(population, populationSize)
return best (F(population))

其内容一般包括：
(此处伪代码以2D游戏环境举例，参考地牢游戏设定，包括B=障碍物，P=全体玩家，K=钥匙，M=怪兽，L=门锁)

Fitness Func*（适配函数：检测空间设定有效性，非必须存在）
e.g. 游戏环境下是否有有效路径抵达出口，是否有玩家生成于此，是否符合环境设定等

# Pseudocode 伪代码
fitnessFunc(P, K, L, B, M) {
    bool isValid = true;
    if (P != null):
        return 0;
    for (p in P):
        if (K or L in p.neighbors) or (L in K.neighbors):
            isValid = false;
            continue;
       Apply A* algorithm to find the possible pathes (from p.position to K) & (from K to L), if fails:
            isValid = false;
            continue;
    if (isValid):
        return 1.0;
    else return 0;
} 

Mutation Func（突变函数：在原有点位的邻点或特定空间范围内移动）
e.g. 由P(x, y, z) 移动至P‘(x+1, y+1, z+1)

# Pseudocode 伪代码
mutationFunc(P) {
    for (p in P):
        for (neighborCell in neighborCells around p):
               if (neighborCell is empty):
                   C.add(neighborCell);
            mutation = random(C, 1);
            p.position = mutation;
    return P;
}```

CrossOver Func（继承函数/跨域函数：针对某两个或多个点位，使用曼哈顿距离或其他距离计算算法获取两点的中位，并在此位置放置新的Agent）

```python
# Pseudocode 伪代码
crossoverFunc(P) {
    for (p1 in P):
       for (p2 in P):
            newX = min(p1.position.X, p2.position.X) + abs(p1.position.X - p2.position.X);
            newY = min(p1.position.Y, p2.position.Y) + abs(p1.position.Y - p2.position.Y);
            pNew = new player;    // compute coordination & create player in next generations 
            pNew.position = (newX, newY);
            if (pNew not in P):
                P.add(pNew);
    return P
}

算法优点：

1. 可控性强，可以认为设定其中的遗传/突变策略以更好的获取优化；
2. 具备贪婪算法(GreedySearch)和随机漫步(RandomWalk)的全部优势；
3. 算法效率待补充；