最近在學習有關遺傳算法和神經網絡方面的知識，網上查看了很多這方面的祕笈，只怪小生天生愚鈍、才疏學淺，不能很好的領悟祕笈中的真諦，往往被弄得暈頭轉向、不知所措
。直到有一天無意中看到了博主zzwu寫的有關這方面的文章，初讀之，如溫舊習；漸深入，覺甚好；遂一氣呵成，猶如撥雲見日、茅塞頓開。餘甚怕在茫茫Internet中再無機會拜讀之，遂收藏於此，以便衆人觀之，絕無其他不良用途。在此對博主再次深表感謝。博文轉自：http://blog.csdn.net/zzwu/article/details/561620
扎自<遊戲編程中的人工智能技術>第三章
清華大學出版社
(本章由zzwu譯)
3.3計算機內的進化（ Evolution Inside Your Computer ）
遺傳算法的工作過程本質上就是模擬生物的進化過程。首先，要規定一種編碼方法，使得你的問題的任何一個潛在可行解都能表示成爲一個“數字”染色體。然後，創建一個由隨機的染色體組成的初始羣體（每個染色體代表了一個不同的候選解），並在一段時期中，以培育適應性最強的個體的辦法，讓它們進化，在此期間，染色體的某些位置上要加入少量的變異。經過許多世代後，運氣好一點，遺傳算法將會收斂到一個解。遺傳算法不保證一定能得到解，如果有解也不保證找到的是最優解，但只要採用的方法正確，你通常都能爲遺傳算法編出一個能夠很好運行的程序。遺傳算法的最大優點就是，你不需要知道怎麼去解決一個問題;你需要知道的僅僅是，用怎麼的方式對可行解進行編碼，使得它能能被遺傳算法機制所利用。
通常，代表可行解的染色體採用一系列的二進制位作爲編碼。在運行開始時，你創建一個染色體的羣體，每個染色體都是一組隨機的２進制位。２進制位（即染色體）的長度在整個羣體中都是一樣的。作爲一個例子，長度爲 20的染色體的形狀如下:
01010010100101001111
重要的事情就在於，每個染色體都用這樣的方式編碼成爲由 0和1組成的字符串，而它們通過 譯碼 就能用來表示你手頭問題的一個解。這可能是一個很差的解，也可能是一個十分完美的解，但每一個單個的染色體都代表了一個可行解（下面就將討論有關編碼的更多的細節）。初始羣體通常都是 很糟的 ，有點象英國板球隊或美國足球隊（抱歉了！）。但不管怎樣，正如我前面說過的那樣，一個初始的羣體已經創建完成（對這一例子，不妨設共有100個成員），這樣，你就可以開始做下面列出的一系列工作（你不用擔心用藍字顯示的那些詞句，我後面馬上就會來解釋一切）：
不斷進行下列循環，直到尋找出一個解 :
1.檢查每個染色體，看它解決問題的性能怎樣，並相應地爲它分配一個適應性分數。
2.從當前羣體中選出2個成員。被選出的概率正比於染色體的適應性，適應性分數愈高，被選中的可能性也就愈大。常用的方法就是採用所謂的輪盤賭選擇法或賭輪選擇法(Roulette
wheel selection)。
3.按照預先設定的雜交率（Crossover Rate），從每個選中染色體的一個隨機的點上進行雜交（crossover）。
4.按照預定的變異率（mutation rate），通過對被選染色體的位的循環，把相應的位實行翻轉（flip）。
5.重複步驟2，3，4，直到100個成員的新羣體被創建出來。
結束循環
以上算法中步驟1 到步驟5 的一次循環稱爲一個代（或世代，generation）。而我把這整個的循環稱作一個時代（epoch） ，在我的正文和代碼中將始終都用這樣方式來稱呼。
3.3.1什麼是輪盤賭選擇？ ( What's the Roulette Wheel Selection )
輪盤賭選擇是從染色體羣體中選擇一些成員的方法，被選中的機率和它們的適應性分數成比例，染色體的適應性分數愈高，被選中的概率也愈多。這不保證適應性分數最高的成員一定能選入下一代，僅僅說明它有最大的概率被選中。其工作過程是這樣的：
設想羣體全體成員的適當性分數由一張餅圖來代表 (見圖3.4)，這一餅圖就和用於賭博的轉輪形狀一樣。我們要爲羣體中每一染色體指定餅圖中一個小塊。塊的大小與染色體的適應性分數成比例，適應性分數愈高，它在餅圖中對應的小塊所佔面積也愈大。爲了選取一個染色體，你要做的，就是旋轉這個輪子，並把一個小球拋入其中，讓它翻來翻去地跳動，直到輪盤停止時，看小球停止在哪一塊上，就選中與它對應的那個染色體。本章後面我就會告訴你怎樣來編寫這種程序的準確算法。
圖 3.4 染色體的輪盤賭式選擇
3.3.2什麼是雜交率？( What's the Crossover Rate )
雜交率就是用來確定 2個染色體進行局部的位（bit）的互換以產生2個新的子代的概率。 實驗表明這一數值通常取爲0.7左右是理想的，儘管某些問題領域可能需要更高一些或較低一些的值。
每一次，我們從羣體中選擇 2個染色體，同時生成其值在0到1之間一個隨機數，然後根據此數據的值來確定兩個染色體是否要進行雜交。如果數值低於雜交率(0.7)就進行雜交，然後你就沿着染色體的長度隨機選擇一個位置，並把此位置後面所有的位進行互換。
例如，設給定的 2個染色體爲:
10001001110010010
01010001001000011
沿着它們的長度你隨機選擇一個位置，比如說 10，然後互換第10位之後所有位。這樣兩個染色體就變成了（我已在開始互換的位置加了一個空格）：
10001001101000011
01010001010010010
3.3.3 什麼是變異率？( What's the Mutation Rate? )
變異率（突變率） 就是在一個染色體中將位實行翻轉（flip，即0 變1，1變 0）的機率。這對於二進制編碼的基因來說通常都是很低的值，比如 0.001 。
因此，無論你從羣體中怎樣選擇染色體，你首先是檢查是否要雜交，然後再從頭到尾檢查子代染色體的各個位，並按所規定的機率對其中的某些位實行突變（翻轉）。
3.3.4 怎麼搞的啦！( Phew! )
如果你對上面講東西感到有些茫然，那也不必擔心！從現在開始直到本章結束，所有閱讀材料大多數都被設計用來重讀兩遍。這裏有很多需要你理解的新概念，且它們都是相互混雜在一起。我相信對於你這是最好的學習方法。當你通讀第一遍時，你有望對一些基本概念得到一些孤立的感性認識，而在閱讀第二遍時（如果我做的工作是正確的話），你就能看到各種不同的概念怎樣相互聯繫起來。而當你最後結合源程序來開始編程玩弄時，每一件事物都只是考慮怎樣周密地進行安排的問題，到那時你的工作僅僅是一種如何來提煉你的知識和技能的事了（那是比較容易的一部分）。
|
注意： 在本書所附的光盤的 Chaper3/Pathfinder 文件夾中，你能找到Pathfinder 工程的全部源碼。
如果你想在進一步閱讀課文之前窺視一下工程的全貌，在 文件Chaper3 Executable中有一個預先製作好的執行程序，Pathfinder.exe。 |
－連載４完－