遗传算法启发自真实现象

9.1　遗传算法：启发自真实现象

1、目标

• 我们的目标不是深入研究遗传和进化的科学原理，我们不会研究旁氏表、核苷酸、蛋白质合成、RNA和其他生物进化相关的话题。
• 相反，我们只讨论达尔文进化论背后的核心原理，并根据这个原理开发出一套算法。
• 我们并不在乎进化模拟是否精确，只关心进化在软件中的应用策略。

2、遗传算法

• “遗传算法”指的是一种特定算法，它以特定的方式实现，用于解决特定类型的问题。
• 尽管遗传算法是本章的基础，但我们不会用绝对精确的方式实现它，因为我们应该多花精力探索遗传算法的创新用法。

3、内容

• 1.传统遗传算法
  我们从传统遗传算法开始。
  这种算法用于解决“解空间过于庞大，穷举法耗时过长”的问题。
  举个例子，有一个介于1~1 000 000的数字，你要花多少时间才能猜到这个数字？
  如果用穷举法，你就要检查每一种可能：这个数字是不是等于1，是不是2，是不是3？……运气好的话，你很快就能猜到这个数字；
  如果运气不好，你就要从1枚举到1 000 000，这肯定会耗费大量的时间。
  但如果我能告诉你更多的信息，比如猜的数字是大是小，是有点大，还是非常大；如果能得到每次猜测的“契合度”，我想你的猜测肯定会越来越接近正确答案，解决问题的速度也会更快。
  也就是说，你的答案可以发生进化。

• 2.交互式选择
  实现传统遗传算法之后，我们会研究遗传算法在可视化艺术方面的应用。
  交互式选择指的是事物（通常是由计算机产生的图像）在用户交互下发生进化的过程。
  举个例子，你在参观一家博物馆，博物馆的墙上挂着几幅油画。在交互式选择技术的帮助下，你只要选择出最喜欢的画，程序就会根据你的喜好自动产生（或者“进化出”）一副新画供你欣赏。

• 3.生态系统模拟
  如果你去阅读人工智能方面的在线文档或教科书，通常会看到关于传统遗传算法和交互式选择技术的讲解。
  但它们不会讲解如何在程序中模拟现实世界的进化过程。
  本章的最后将探索如何在模拟生态系统中模拟进化过程。
  模拟生态系统中的对象会相遇、结合，并把基因传递给下一代。
  这种技术可以直接应用到每一章最后的生态系统项目中。

这篇好文章是转载于：学新通技术网