游戏中的AI编程（一） 遗传算法简介

本文作为游戏中的AI编程的第一篇，主要介绍一下遗传算法，以及使用遗传算法进行寻路计算。

一，遗传算法介绍
在继续阅读下文之前，请先确定你是否知道什么是遗传，变异，染色体等生物知识。如果你对这些知识不了解，建议你看看高中的生物课本。当然你不用精通这方面的知识。好吧，如果你已经准备好了，那么我们开始吧。
遗传算法的过程实际上是对于自然界进化的模仿。首先，你需要定义一种表示问题的解决方案的编码方式，就像染色体一样（记得染色体有四种，两两配对后，组合成双螺旋结构，这就是染色体的编码格式）。然后你需要初始化一些染色体，它们每一个代表解的一种候选方案。这些初始化的染色体可以是随机的。然后让这些染色体开始进行繁衍进化（中间夹杂这一些变异）。经过进化，最后找到最优解（也可能是较合适的解）。
遗传算法不能保证找到最优的解，看上去这点不是遗传算法的优点。但是遗传算法的计算过程可能效率很高。然而，最重要的是，求解过程中，并不需要知道解的过程，只需要知道如何编码解，解码解，以及验证解的合理性就可以了。

1.染色体 染色体一般使用二进制编码，如下： 01010010100101001111 重要的是，这个染色体是可以被解码的，以表示一种解。这个可以是一个很差的解（通常会是刚开始的一些染色体）。但是每个染色体都表示中可能的解。

2.解法步骤
循环以下步骤，直到找到解：
     1.测试每个染色体，标注每个染色体的解的分数。（即解的适合程度）
     2.找出其中的两个解（使用算法保证分数最高的染色体最优可能被选中），可以使用roulette wheel selection。
     3.交叉两个染色体
     4.适当的进行变异处理
     5.重复 2 3 4，直到新产生大量的染色体（数量可以自己设定）。

3.什么是roulette wheel selection 在选择染色体的时候，需要保证染色体的分数越高，就越容易被选中。 可以想像一个饼图（pie chart），其中，分数越高的染色体所占据的面积越大，然后进行随机选择。具体算法之后的文章中会提到。

3.交叉 这是通过两个染色体产生新的染色体的方法，比如我使用一个最简单的算法，将染色体在10的位置反转，于是可以产生两个新的染色体
旧染色体：
A：10001001110010010
B：01010001001000011
新染色体：（注意，我加了空格）
C：100010011 01000011
D：010100010 10010010

4.总结 这样，基本的遗传算法介绍完了。接下来将开始具体问题的解决。