遗传算法入门--连载6

连载之六

染色体的编码

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。

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。

转载于:https://my.oschina.net/dake/blog/196829

遗传算法入门--连载6

猜你喜欢