遗传算法入门（连载之六）

最近在学习有关遗传算法和神经网络方面的知识，网上查看了很多这方面的秘笈，只怪小生天生愚钝、才疏学浅，不能很好的领悟秘笈中的真谛，往往被弄得晕头转向、不知所措快哭了。直到有一天无意中看到了博主zzwu写的有关这方面的文章，初读之，如温旧习；渐深入，觉甚好；遂一气呵成，犹如拨云见日、茅塞顿开。余甚怕在茫茫Internet中再无机会拜读之，遂收藏于此，以便众人观之，绝无其他不良用途。在此对博主再次深表感谢。

博文转自：http://blog.csdn.net/zzwu/article/details/561625

.
(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::vector是STL（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。

扫描二维码关注公众号，回复： 2431917 查看本文章

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－

遗传算法入门（连载之六）

(本章由zzwu译)

猜你喜欢