本文主要是介绍遗传算法入门(连载之六),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
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。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:
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,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)); } } };
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_iPopSizedouble m_dCrossoverRate;double m_dMutationRate;//每个染色体含有多少bitsint m_iChromoLength;//每个基因有多少bitsint 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。
-连载6完-
这篇关于遗传算法入门(连载之六)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!