缩水版遗传算法 学习笔记

遗传算法是在随机的初始数据下，经过一段时间的变化，最后收敛得到针对某类特定问题的一个或者多个解。

主要步骤有编码 选择 交叉 变异

这里以一个极其简单的探索迷宫出路的代码为例 增加对遗传算法的感性认识。

编码
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,
1,8,1,0,0,0,0,0,0,0,1,0,0,1,1,
1,0,1,0,1,0,1,1,1,0,0,0,0,0,1,
1,0,1,0,1,0,1,1,1,1,0,1,0,1,1,
1,0,0,0,1,0,0,0,0,0,0,1,0,5,1,
1,1,1,1,1,1,1,1,1,1,1,1,1,1,1

我们定义这样一个迷宫
1表示为不可到达地点
0表示可通过区域
5是起点 8是终点
我们再定义一系列行走出迷宫的行走方向数组 walk[TestStep](walk[50]).这个数组记录了走50步的方向
方向使用0-3来代替 0 表示向上走，1表示向下走，2表示向左走，3表示向右走。然后测试这一系列走法在迷宫能达到的坐标，以达到的位置和终点的XY的差值的倒数作为这个走法的评分
price = 1/(1.0+(abs(exitIndex.x-vMethods[i].currentPosIndex.x)+abs(exitIndex.y-vMethods[i].currentPosIndex.y)));

考虑到XY的差值可能为零，所以额外加了一个1.0；以上就是编码的步骤；

选择

作为进化演变下一代的元素，我们需要选择评分比较高的走法

通常的办法是轮盘赌选择 根据评分的高低 决定其被选中的几率

 

各个个体被选中的概率与其适应度函数值大小成正比。设群体大小为n ，个体i 的适应度为 Fi，则个体i 被选中遗传到下一代群体的概率为：

比如说

走法A 评分0.5

走法B 评分0.2

走法C 评分0.3

那么根据一个随机范围为0-99的随机数

如果数目在0-49之间 则选择走法A

如果数目在50-69之间则选择走法B

如果数目在70-99之间则选择走法C

我的代码中 写的比较简单 直接选择评分在前一半的作为进化演变的元素

int index1 = rand()%(TrySize/2);

int index2 = rand()%(TrySize/2);

缺点是可能逐步演化中 族群的走法都慢慢接近 甚至编程一样 从未导致没有变化 得不到正确结果

优点是 代码简单

交叉

2个元素交换部分结构，来构造下一代新的元素

例如

走法A 01230123 0123

走法B 12301230 1230

构造下一代走法

01230123 1230

代码中为

Method m = CrossOver(vMethods[index1],vMethods[index2]);

突变

对元素数据进行小概率的调整 以调整进化的集中性 避免所有元素同一化

代码中是以25%的概率 对某一步的走法进行调整

if((rand()%100)>75)

{

int index = rand()%TestStep;

 m.walk[index] = direction(rand()%4);

}

本节代码属于实验性代码 对具体参数和一些算法都做了简化 只是加深对算法的理解 方便入门

至于算法的选择 参数优化调整的理论依据 均未涉及 需要学习理论教程书籍

代码如下

#include <iostream>
#include <ctime>
#include <cstdlib>
#include <vector>
#include <algorithm>

using namespace std;

int mapArray[6][15] = { 2,3,4,1,1,1,1,1,1,1,1,1,1,1,1,
                        1,8,1,0,0,0,0,0,0,0,1,0,0,1,1,
                        1,0,1,0,1,0,1,1,1,0,0,0,0,0,1,
                        1,0,1,0,1,0,1,1,1,1,0,1,0,1,1,
                        1,0,0,0,1,0,0,0,0,0,0,1,0,5,1,
                        1,1,1,1,1,1,1,1,1,1,1,1,1,1,1};
struct Point{
    int x;
    int y;
};

Point startIndex = {4,13};
Point exitIndex = {1,1};

enum direction{
    Mup =0,
    Mdown ,
    Mleft ,
    Mright };

#define TestStep    50
#define TrySize     50


struct Method{
    direction walk[TestStep];
    Point   currentPosIndex;
    double price;
};

vector<Method> vMethods;
vector<Method> vNewMethods;


bool SortByPrice(const Method& obj1,const Method& obj2)
{
    return obj1.price>obj2.price;
}

void InitRandomWalk(direction walk[]){
    for(int i = 0;i< TestStep;++i){
        walk[i] = direction(rand()%4);
    }
}

bool Walk(Point& currentPosIndex,direction walk[],int length){
    for(int i = 0;i< TestStep;++i){
        if(walk[i] == Mup){
            if( (currentPosIndex.x-1)>=0 &&
               mapArray[currentPosIndex.x-1][currentPosIndex.y] != 1){
                currentPosIndex.x -= 1;
            }
        }else if(walk[i] == Mdown){
            if( (currentPosIndex.x+1)<=5 &&
               mapArray[currentPosIndex.x+1][currentPosIndex.y] != 1){
                currentPosIndex.x += 1;
            }
        }else if(walk[i] == Mleft){
            if( (currentPosIndex.y-1)>=0 &&
               mapArray[currentPosIndex.x][currentPosIndex.y-1] != 1){
                currentPosIndex.y -= 1;
            }
        }else if(walk[i] == Mright){
            if( (currentPosIndex.y+1)<=14 &&
               mapArray[currentPosIndex.x][currentPosIndex.y+1] != 1){
                currentPosIndex.y += 1;
            }
        }
        if(currentPosIndex.x == exitIndex.x && currentPosIndex.y == exitIndex.y){
            return true;
        }
    }

    return false;
}

Method CrossOver(const Method& m1,const Method& m2){
    int i = rand()%TestStep;
    Method m;

    for(int j = 0; j <= i ;++j){
        m.walk[j] = m1.walk[j];
    }

    for(int k =i;k < TestStep;++k){
        m.walk[k] = m2.walk[k];
    }
    return m;
}

bool run(){

    for(int i = 0;i < TrySize;++i){
       vMethods[i].currentPosIndex.x = startIndex.x;
       vMethods[i].currentPosIndex.y = startIndex.y;
       if(Walk(vMethods[i].currentPosIndex, vMethods[i].walk,TestStep)){
           cout << "walk to exit!!!" << endl;
           return true;
       }
       vMethods[i].price = 1/(1.0+(abs(exitIndex.x-vMethods[i].currentPosIndex.x)+abs(exitIndex.y-vMethods[i].currentPosIndex.y)));
       cout << "current pos:	" << vMethods[i].currentPosIndex.x <<" " << vMethods[i].currentPosIndex.y <<"	price:"<< vMethods[i].price<< endl;
    }

    sort(vMethods.begin(),vMethods.end(),SortByPrice);
    for(int i = 0 ; i <TrySize;i++){
        int index1 = rand()%(TrySize/2);
        int index2 = rand()%(TrySize/2);

//        for(int k = 0 ;k<TestStep;++k){
//            cout << vMethods[index1].walk[k];
//        }
//        cout << endl;

      Method m = CrossOver(vMethods[index1],vMethods[index2]);
       if((rand()%100)>75)
       {
           int index = rand()%TestStep;
           m.walk[index] = direction(rand()%4);

       }
       vNewMethods.push_back(m);
//        for(int k = 0 ;k<TestStep;++k){
//            cout << vMethods[index1].walk[k];
//        }
//        cout << endl;
    }
    vMethods = vNewMethods;
    vNewMethods.clear();
    return false;
}





int main(int argc, char *argv[])
{
    vMethods.clear();
    srand( (unsigned)time( NULL ) );
    for(int i = 0;i < TrySize;++i){
        Method m;
        InitRandomWalk( m.walk);
        vMethods.push_back(m);
    }

    int64_t count = 0;
    while(!run()){
        count++;
    }
    cout << "run " << count << " times." << endl;


    return 0;
}

 截图来自 《游戏编程中的人工智能》

代码为该书本代码中的缩水精简版