對遺傳演算法的解讀

當無法窮舉遍歷出所有的解集時，智慧型演算法就登場了。

好像術語太多了，舉個例子吧。六度空間理論說，你和任何乙個陌生人，只要通過六個人就可以認識。比如，你認識a，a認識b，b認識c，等等，最多中間通過六個朋友，你就可以找到那位陌生人。這個神奇的理論是stanley milgram在2023年提出的，現在我們討論如何實現它。假定我們掌握了所有的人際關係網路，現在突然想看看，自己能通過最少幾個人，可以認識到歐巴馬呢？已經可以想見，這幾乎無法窮舉，人口基數太大了，而且每個人的社會關係都有至少幾百人，整個關係網想窮舉不可能，即使能窮舉出所有的網路關係，那麼在這段時間內還不斷的有人死亡有人出生呢。但只有找出所有的社會關係，才能知道"最少"通過幾個人可以認識到歐巴馬，可是其實我們想知道的只是，如何能在幾小時或者幾天內，以盡量少的中間人數量找到這條關係路徑。需要的是時效的平衡，智慧型演算法就是用於解決類似的問題。

複雜的問題，海量的資料，或者對求解時間上的限制，常常會使人們不得不選擇一種智慧型演算法去求解近似最優解，像模擬退火、神經網路、蟻群演算法、粒子群演算法、遺傳演算法等。簡單的了解了下這幾種常見的求近似最優解的智慧型演算法後，我對遺傳演算法最感興趣，回顧下最近對它的一些學習和理解。

顧名思義，遺傳演算法的靈感來自於達爾文的演化論。物競天擇，適者生存，遺傳演算法就是基於這個思想來設計的，所以，它一定是通過模擬乙個種群的進化往下進行，這樣，遺傳演算法的關注點就不是個體了，最關心的就是種族的進化方向。抽象來說，就是在部分解空間中，不斷進化取得更加優秀的解空間，從而找到近似最優解。

可能不太好理解，還是用上面的例子來說明吧。現在還是要找到你和歐巴馬之間的最近關係網路，首先都認識到，獲得所有你到歐巴馬的關係網路是不現實的，偶爾知道乙個，比如通過一千個中間人才能認識到。甚至獲取乙個這樣的關係一下也想不到，沒關係，那我們也找出乙個「不完整的」解空間吧作為種族的第一代吧。比如你認識的所有人，或者你所在學校或者公司對美國有好友的人，或者歐巴馬的所有中國朋友，第一代種族當然越有用，經過n代後的進化越優。在第一代向後進化時，我們使之向好的方向進化下去，最終可能會有許多你需要的關係網路，你從中找出最好的即可。

說到這裡，就涉及到了，什麼才是好的進化方向呢？怎麼解讀「物競天擇，適者生存」？首先是「天擇」，天就是演算法設計者了，你要選擇出某一代解空間裡，最接近最優解的那部分。所以，對每個個體進行評價，根據評價結果來排名是必不可少的。每個個體怎樣成長不需要關注，但是乙個好的評價函式會直接影響演算法的效率。比如繼續上面這個例子，如果把你的所有好友中隨機取出100個，按照誰最可能認識歐巴馬來設計乙個評價函式，比如，有海外經歷的、有博士學位以上的、有從政經歷的返回較高分，分別評價每位好友後排名。那麼這個解空間裡，了解了每個個體的適應度，你才能繼續選擇。

再看「物競」，就是每個個體之間，如何進化出下一代。比如，每雙父母會有乙個兒子，那麼這個兒子所有的染色體中，一部分來自於父親，其餘的來自於母親，應用到演算法中就是，對於這一代中沒有淘汰的解中間，隨機抽取兩個解，把每個解的染色體中任何組合後產生乙個兒子。又有些抽像了，再舉上面的例子，我們先看有完整解空間的情況。抽出兩個解，你->a->b->c->歐巴馬，你->e->b->g->f->歐巴馬，那麼交叉後，可能得到的下一代為：你->e->b->c->歐巴馬。如果還沒有得到完整的解空間，比如你的兩個適應度最高的好友a，b，他們的各自好友中，取出有交集或者最有可能有交集的一位最為下一代。這一步叫做交叉選擇，對特定問題，好的交叉方法很重要，如果想設計更加通用的遺傳演算法，則可能希望把解空間的個體分解為染色體越發的簡單，交叉也是如此。

只是交叉選擇還會存在風險，因為你的評價函式未必是沒有偏差的。完全有可能你認識解空間中乙個解要被淘汰了，或者兩個解中取下一代時，按照正常的交叉選擇會導致，更有可能的最優解沒有被進化到。比如，你的關係網路裡有乙個朋友的鄉下二大爺，曾經救過歐巴馬老婆一命，正常的評價函式裡，直接把二大爺淘汰了，無論如何進化這條二大爺->歐巴馬老婆->歐巴馬的關係網路都見不到了。這樣，變異就出現了。變異就是，未必按照目前考慮完善的進化法則進行，就像蟻群演算法中，總有幾個螞蟻並不按照當前已知的最優路線行進，它們是探險者。所以，在交叉選擇時，就要有變異，甚至直接把相對適應度低的關係拿上來進化。

進化到什麼時候結束呢？可以設定為最多計算一周時間，或者最多進化100萬代，或者找到最少通過四個人就認識歐巴馬了就停止。這樣完整的遺傳演算法就呈現在大家眼前了。遺傳演算法的好處就是關注點在解空間上，對解的個體特徵不必太關注，通用性高。並且在沒有得到所需要的滿足自己的解時，任何時刻都可以得到比初始時更好的解。到問題的規模無法控制時，這個特性太重要了。而且遺傳演算法利於並行求解，這也是個非常重要的特性，對分布式計算很有意義。其實，單cpu計算機都是序列執行命令，它的運算速度遠大於毫秒級的人腦，但是人腦的平行計算卻在很多場合中更有效，人工神經網路這個演算法也由此產生，能夠並行運算確實是很重要的。

現在還有多種群競爭遺傳演算法，就是初始解空間不只乙個，產生後代時每個種群互相影響。具體問題具體分析吧。

總之，遺傳演算法就是由初始解空間，適應度的評價，選擇哪些個體，如何交叉選擇，如何變異，如何停止演算法的執行這些要素組成。很多複雜問題都能被它解決。最近我玩qq七雄爭霸，對裡面的戰略戰用python+tkinter簡單的模擬了下，用遺傳演算法計算出較好的陣形。比如，騎兵的特點是攻擊力強，血少，移動快，弓箭手射程遠，攻擊力低，槍兵射程近，血厚，等等。在兵力固定時，通過遺傳演算法不斷的進化，只是通過變幻陣形往往得出相同的戰場規則下，結果非常優秀的陣形。比如，我選擇80%的種子產生50%的子孫，40%的陣形直接儲存，10%的陣形變異，同等兵力時，可以只死一半兵全滅敵人。

對遺傳演算法的解讀

對遺傳演算法的解讀

對遺傳演算法的解讀

python遺傳演算法 Python 遺傳演算法實現

相關推薦