零基础入门进化算法（GEP）

由于笔者最近在研究有关于基因表达式编程的课题，对进化算法方面有了更为全面的理解，希望能给大家指点迷津。本文主要基于张克俊博士的毕业论文《基因表达式编程理论及其监督机器学习模型研究》，结合笔者的思考进行描述。

之前笔者已经有两篇关于进化算法的零基础入门讲解，传送门在此：

• 零基础入门进化算法（基本概念）

  零基础入门进化算法（基因表达式编程）

本篇将是该入门系列的最后一篇，后续有了研究进展可以和大家分享有难度的进阶篇。

遗传算子

之前的博客中遗传算子没有讲解完全，在此将转座算子与重组算子进行进一步说明。

转座算子

转座算子将由相邻基因元素组合起来的片段或串（转位元素），插入到染色体中其他位置。基本GEP中有三种转座算子：顺序插入转座、根转座与基因转座。

• 顺序插入转座：

  随机选择转位元素，将转位元素插入到基因头部除首位置的任何位置，基因头部插入点后面的元素后移，超出基因头部长度的最后几个元素将被删除。顺序插入转座可以随机选择染色体、转位元素的开始位置、长度以及目标插入位置。其染色体变换示意如下：

其表达式树如下：

• 根转座

  随机选择以函数为起始符号的转位元素，将其插入到基因头部的根位置，基因头部此插入点后面的元素后移，超出基因头部长度的最后几个元素将被删除。其染色体变换示意如下：
  

其表达式树变化如下：

与顺序插入转座不同的是，根转座转位元素都是以函数为开始符号的，因此必须在基因头部进行选择。

选择方法为：在基因头部中随机选择一个基因位，从这个位置向后扫描基因，直到发现函数因子为止，这个函数就是根转位元素的起始位置，根转位元素将被插入到基因的头部。与顺序插入转座一样，根转座可以随机选择染色体、转位元素在基因头部的开始位置、长度和*（存疑）目标插入位置。

由于根转座直接对基因的根部操作，其对表达树的修改能力比顺序插入转座更强。通常转座因子取值小于等于3。

• 基因转座：

  随机选择一个基因，将其作为转位元素转移到染色体的起始位置，后续基因顺延。与其它转座方式相比，基因转座不再保留转位元素副本，将删除原位置的转位基因，因此染色体长度将保持不变。此外，基因转座算子也可随机选择染色体、转位的基因。

综上，三种转座操作中，根转座引起的改变最强烈，顺序插入转座次之，基因转座对连接符“⊕”取为“+”的染色体则是无效的。转位元素长度为1时，转座操作弱化为变异操作，因此所有转座操作均为宏变异操作，具有创造遗传多样性的卓越能力。

重组算子

GEP中的重组是指两个父代染色体通过相互交换部分成分，生成两个新的子代染色体的过程。基本GEP中有三种重组算子、单点重组、两点重组和基因重组。

• 单点重组：
  首先随机选择两个父代染色体配对，并随机产生1个分割点。两个父代染色体均在这个点处切开，然后相互交换切点之后的部分，形成两个子代染色体。其染色体变换如下：
  

• 两点重组：
  随机选择两个父代染色体，随机产生两个分割点，两个父代染色体均在这2个点处切开，然后相互交换两切点之间部分，形成两个子代染色体。其染色体变换如下：
  

• 两点重组对基因的改造能力要比单点重组强，通常会造成多个基因的表示树改变，一般用于解决复杂问题。

  基因重组中，首先随机选择两个父代染色体，选择其中一个等位基因相互交换，形成两个子代染色体。

综上，在重组操作中，由于子代染色体同时包含2个父代染色体中的不同基因（虽然父代有时会交换相近的部分），大多数时候将产生新的染色体。

两点重组破坏性最强，因为它对遗传元素的重组最彻底，能持续破坏旧基因块，生成新基因块。而基因重组并不能产生新基因，其产生的染色体仅仅是现存基因的排列组合。

适应值函数

适应值函数用来计算个体适应值，适应值是进化过程中进行选择的依据，是种群进化的源动力。因此适应值函数的设计方法，是进化算法能否成功解决问题的关键。基本GEP主要有3种适应值函数（基于最大化适应值函数）。

• 基于绝对误差的适应值函数

• 基于相对误差的适应值函数

• 基于正确示例的适应值函数

基于误差的适应值函数可以解决任何函数发现问题，基于正确示例的适应值函数主要解决分类或者逻辑合成问题。

目前，基于残差平方和构建适应值函数已经成为主流。

结语

通过三篇博客对进化算法尤其是基因表达式编程进行了一个概览，对一个小白来说应该可以把基本概念搞懂，至于实际算例，（笔者之前的博客撸代码比较多），网上各种遗传算法基本算例数不胜数，可以自己去把代码下载下来体会一下，理论加实践会有很好的效果。