游戏编程中的人工智能技术-第三章：遗传算法入门（一）

写在算法之前：1、遗传算法的本质是优胜劣汰，优胜劣汰的方法是轮盘赌选择。

                            2、学习遗传算法程序的关键是：遗传算法使用的情境是什么，如何在情境中使用遗传算法。遗传算法只是理论，你如何在实际的情境中构造它？还有的关键是：了解什么时候认为遗传算法已经成功。

本文主要对遗传算法的程序进行讲解，由于作者非计算机专业出身，因此不涉及SDK程序设计，这个我是一点都不懂。

先说理论，参考扬天齐编著的《人工智能及其应用》，遗传算法的几个名词为：

1.种群（Population）：初始给定的多个解的集合。也就是刚开始的时候，生成一系列随机的染色体，这些染色体会进行交叉，变异等操作。那么初始的生成的这么些染色体就是种群。

2.基因（Gen）：这个还未定。到底是表示染色体中的某个位，还是表示种群中的其中一个元素？

3.染色体（Chromos）：表示对种群中的某一元素进行编码，也就是我们所看到的1100111这个东西。

4.适应度（Fitness）函数：如何来对种群中的染色体进行优胜劣汰？这就靠适应度函数了，每个染色体对应一个适应度函数。那么，当然是适应度函数越高的染色体更优秀，容易在竞争中生存下来。

5.操作：对染色体的三种操作：选择（Selection）、交叉（Crossover）、变异（Mutation）。

遗传算法的步骤为：

1、生成初始种群，这个一般是随机生成的。

2、对初始种群中的每一个染色体计算适应度，有符合条件的染色体吗？

3、若没有（一般肯定是没有的），则进行选择操作。选择出两（？到底几个）个染色体。本章采用轮盘赌法。

4、对选择出的染色体进行交叉操作，但注意，不是每次都要交叉的，什么时候交叉，有个概率问题，可以定义为交叉率。

5、对交叉后的染色体进行变异操作。当然，这个也是有概率的，并且这个概率比交叉率小的多。

6、重复第2步骤，直至最终得到符合条件的染色体为止。

一些特殊的说明：

1、染色体编码：可采用二进制编码，或者实数编码。本章采用二进制编码。

2、选择方法：本章采用轮盘赌方法。啥叫轮盘赌呢？就是个体被选择的概率取决于其适应度。这就是为什么轮盘赌法可以进行优胜劣汰的原因。虽然你无法保证每次选择的个体适应度是最好的，但是至少，选到适应度高的个体的概率是高的。



那么轮盘赌该怎么实现呢？首先你要得到两个值：当前个体的适应度函数，以及种群中所有个体的适应度函数之和。那么当前个体被选中的概率为：P(xi)=当前个体适应度函数/所有个体适应度函数之和。

3、交叉和变异书上都有，比较简单。就不介绍了。

接下来举个例子，主要讲述轮盘赌选择方法。

按照杨天齐书113页，初始种群情况表为：

编号	个体串	x	适应值	百分比（%）	累计百分比（%）	选中次数
S01	01101	13	169	14.30	14.30	1
S02	11001	25	625	52.88	67.18	2
S03	01000	8	64	5.41	72.59	0
S04	10010	18	324	27.41	100	1

现采用轮盘赌方式选择个体，依次生成4个随机数为0.85、0.32、0.12、0.46。
请注意一下原则：

0.85在72.59和100之间，这个是S04在轮盘中的区域，所以选择的是S04：10010

0.32在14.30和67.18之间，这个是S02在轮盘中区域，所以选择的是S02：11001

0.12在0和14.30之间，这个是S01在轮盘中的区域，所以选择的是S01：01101

0.46在14.30和67.18之间，这个是S02在轮盘中的区域，所以选择的是S02：11001

从上面分析可知，S02适应值高，占总体的适应值的百分比高，这就类似于他在轮盘中占据了52.88%的空间，所以被选到2次也是正常的。

S03适应值低，占总体的适应值的百分比低，这就类似于他在轮盘中占据了5.41%的空间，所以没被选到。

其他问题见教材。