遗传算法入门(连载之六)
2005-12-25 13:41
232 查看
.
.
(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 |
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 |
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)。
[align=left]class CgaBob [/align]{ 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。
-连载6完-