遗传算法入门(连载之六)


.

.
(连载之六)
.
扎自<游戏编程中的人工智能技术>第三章

 清华大学出版社

(本章由zzwu译)

 

3.4.1为染色体编码
(Ecoding the Chromosome)

          
   每个染色体必须把小人Bob 的每一个行动编入代码中。Bob的行动仅限为4个方向向东(East),向南(South),向西(West),向北(North)
    
故编码后的染色体应该就是代表这4个方向信息的一个字符串。传统的编码方法就是把方
向变换成二进制的代码。四个方向只要2位就够了,例如下表所示的那样:
      
二进制代码 十进制译码 代表的方向
00 0 向北
01 1 向南
10 2 向东
11 3 向西

 这样,如果你得到了一个随机的二进制字符串,你就能将它译码出Bob行动时所遵循的

一系列方向。例如染色体:

                    111110011011101110010101

代表的基因就是
            11,11,10,01,10,11,10,11,10,01,01,01
			  
当把二进制代码译成十进制时,就成为
            3,3,2,1,2,3,2,3,2,1,1,1

再把这些放进一个表格中,就可以使你相信这是一样的一些概念: 
        
二进制代码 十进制译码 代表的方向
11 3 West
11 3 West
10 2 East
01 1 South
10 2 East
11 3 West
10 2 East
11 3 West
10 2 East
01 1 South
01 1 South
01 1 South

      到此,你要做的全部就是将Bob置于迷宫的起点,然后告诉他根据这张表所列的方向一步步地走。如果按某一个方向前进将使Bob碰到墙壁或障碍物,则只需忽略该方向并继续按下一个方向去走就行了。这样不断下去,直到所有方向用光或Bob到达出口时为止。
   
    如果你想象有几百个这样的随机的染色体,你就能看到它们中的某些可能为Bob译码出到达出口的一套方向(问题的一个解),但它们中的大多数将是失败的。
   
    遗传算法以随机的2进制串(染色体)作为初始群体,测试它们每一个能让Bob走到离开出口有多么接近,然后让其中最好的那些来孵化后代,期望它们的子孙中能有比Bob走得离出口更近一点。这样继续下去,直到找出一个解,或直到Bob绝望地在一个角落里被粘住不动为止(你将看到,这种情况是可能发生的)。
     
    因此,我们应定义一种结构,其中包含一个2进制位串(染色体),以及一个与该染色体相联系的适应性分数。我把这个结构称为SGenome结构,它的定义如下:  
  

struct SGenome    {      vector <int>  vecBits;      double   dFitness;      SGenome():dFitness(0){}      SGenome(const int num_bits):dFitness(0)      {        //创造随机二进制位串        for (int i=0; i<num_bits; ++i)          {             vecBits.push_back(RandInt(0,1));          }      }   };     
正如你能见到的那样,如果你在创建SGenome对象时把一个整型数作为参数传递给构造函数,则它就会自动创建一个以此整数为长度的随机2进制位串,
并将其适应性分数初始化为零,这样就把基因组什么都准备好了。
  
程序注释
    std::vectorSTL(Standard Templete Library)标准模板库的一部分, 这是一种为处理动态数组而预先建立好的类。如果要把数据加入STL中,可使用
push_back()方法。

下面是一个简单的例子:
  
  #include <vector>   for (int i=0; i<10; i++)     {         MyFirstVector.push_back(i);             cout << endl << MyFirstVector[i];     }
要清空一个向量,使用clear()方法
        MyFirstVector.clear();

你可利用size()方法来得到向量中元素的数目

        NyFirstVector.size()

就是这样。
  
    不需要你去考虑内存管理问题-std::vector能够为你来做所有这些!当需要时,我会在整个程序中使用它。

    SGenome结构中不具备怎样为染色体(vecBits)进行译码的知识; 这是需要由遗传算法类自己来完成的一项任务。现在让我们来快速窥视一下这个类的定义。
我已把它称作CgaBob类(有时我对我的原始创见自己也很吃惊,但我确实是这样做的)。
class CgaBob
{
private:
//基因组群体
vector<SGenome> m_vecGenomes
//群体的大小
int m_iPopSize
double m_dCrossoverRate;
double m_dMutationRate;
//每个染色体含有多少bits
int m_iChromoLength;
//每个基因有多少bits
int m_iGeneLength;
int m_iFittestGenome;
double m_dBestFitnessScore;
double m_dTotalFitnessScore;
int m_iGeneration;
//为 map 类创建一个实例
CBobsMap m_BobsMap;
//另一个CbobsMap对象用来保存每一代的最佳路径的一个记
//录,这是被访问小格的一个数组,它仅仅是为了显示目的而使用的。
CBobsMap m_BobsBrain;
//让你知道运行是否仍在进行中
bool m_bBusy;
void Mutate(vector<int>&vecBits);
void Crossover(const vector<int>&mum,  
               const vector<int>&dad,  
               vector<int>&baby1,
               vector<int>&baby2);
SGenome& RouletteWheel Selection();
//用新的适应性分数来更新基因组原有的适
//应性分数,并计算群体的最高适应性分数和适应性分数最高的那个成员。
void UpdateFitnessScores();
//把一个位向量译成为一个方向的(整数)向量
vector<int> Decode(const vector<int> &bits);
//把一个位向量变换为十进制数。用于译码
int BinToInt(const vector<int> &v);
//创建一个随机的二进制位串的初始群体
void CreateStartPopulation();
public:
CgaBob(double cross_rat,
        double mut_rat,
       int pop_size,
       int num_bits,
      int gene_len):m_dCrossoverRate(cross_rat),
                      m_dMutationRate(mut_rat),
                      m_iPopSize(pop_size),
                      m_iChromoLength(num_bits),
                      m_dTotalFitnessScore(0.0),
                      m_iGeneration(0),
                      m_iGeneLength(gene_len),
                      m_bBusy(false)
{
  CreateStartPopulation();
}
void Run(HNND hwnd);
void Epoch();
void Render(int cxClient, int cyClient, HDC surface);
//访问用的方法
int Generation(){return m_iGeneration;}
int GetFittest(){return m_iFittestGenome;}
bool Started(){return m_bBusy;}
void Stop(){m_bBusy = false;}
};

由上你可看出,当这个类的一个实例被创建时,构造函数初始化所有的变量,并调用CreateStartPopulation()。这一短小函数创建了所需数量的基因组群体。

每个基因组一开始包含的是一个由随机2进制位串组成的染色体,其适应性分数则被设置为零。


-连载6完-
阅读更多
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/zzwu/article/details/561625
上一篇遗传算法入门(连载之五)
下一篇遗传算法入门(连载之七)
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭