标签: evolutionary-algorithm

我参与了很多C编程和RT-Linux,现在我想做一些人工神经网络.

但是:我如何开始？

我对进化算法(学习算法)和人工智能也非常感兴趣.我在哪里可以开始学习这一切？

有人可以帮我理解与进化算法相关的表型和基因型的定义吗？

我是否正确地认为基因型是解决方案的代表.表型是解决方案本身吗？

谢谢

我曾经写过一个很好玩俄罗斯方块的俄罗斯方块AI.我使用的算法(在本文中描述)是一个两步过程.

在第一步中,程序员决定跟踪对问题"感兴趣"的输入.在俄罗斯方块中,我们可能有兴趣跟踪连续存在的差距,因为最小化差距可以帮助更容易地放置未来的碎片.另一个可能是平均柱高,因为如果您即将失败,承担风险可能是个坏主意.

第二步是确定与每个输入相关联的权重.这是我使用遗传算法的部分.只要根据结果随时间调整权重,任何学习算法都会在此处执行.我们的想法是让计算机决定输入与解决方案的关系.

使用这些输入及其权重,我们可以确定采取任何行动的价值.例如,如果将直线形状一直放在右列中将消除4个不同行的间隙,那么如果其重量很高,则此动作可以获得非常高的分数.同样地,将其平放在顶部可能实际上会导致间隙,因此动作得分较低.

我一直想知道是否有办法将学习算法应用到第一步,在那里我们找到"有趣的"潜在输入.似乎可以编写一种算法,其中计算机首先学习哪些输入可能有用,然后应用学习来权衡这些输入.之前有过这样的事吗？它是否已经在任何AI应用程序中使用？

我想知道什么是一个好的,稳定的框架,你们建议用于实现PSO或GA等进化优化技术？

我已经写了自己的,我喜欢它们,我有兴趣比较或添加现有的稳定的(或者如果它们是可靠的和可扩展的,只使用它们).

我有一个问题,我试图用遗传算法解决.问题是选择100个整数的一些子集(比如4)(这些整数只是代表其他东西的id).顺序无关紧要,问题的解决方案是一组整数而不是一个有序列表.我有一个很好的健身功能,但我遇到了交叉功能的问题.

我希望能够配对以下两条染色体:

[1 2 3 4]和[3 4 5 6]成为有用的东西.很明显,我不能使用典型的交叉功能,因为我最终可能会在我的孩子身上出现重复,这将代表无效的解决方案.在这种情况下,最好的交叉方法是什么.

我正在阅读一些关于遗传算法的论文,他们经常以非常类似的方式提到进化算法.根据维基百科,GA是EA的子集.然而,如果我们仔细观察,我们可以注意到两者都是基于自然选择(交叉,选择,变异)的元启发式优化算法,并且两者都没有固定的表示(它取决于要解决的问题,即使我们传统上使用二进制GAs的表示).它们非常相似.那么,我的问题是我们可以将每个进化算法都考虑为遗传算法吗？它们之间有什么真正的区别？谢谢

我的任务:

创建一个程序来复制图片(仅作为输入)使用基元(如三角形或其他东西).程序应使用进化算法来创建输出图像.

我的问题:

我需要发明一种算法来创建种群并检查它们(多少 - 以%为单位 - 它们与输入图像匹配).我有个主意; 你可以在下面找到它.

所以我想要你:建议(如果你发现我的想法不那么糟糕)或灵感(也许你有更好的主意？)

我的想法:

假设我将仅使用三角形来构建输出图片.

我的第一个人口是P图片(通过使用T随机生成的三角形生成 - 称为元素).

我通过我的健身功能检查每个人口中的图片,并选择他们的E作为精英,其余的人口只是删除:

    To compare 2 pictures we check every pixel in picture A and compare his R,G,B with
    the same pixel (the same coordinates) in picture B.
    I use this: 
           SingleDif = sqrt[ (Ar - Br)^2 + (Ag - Bg)^2 + (Ab - Bb)^2]
    then i sum all differences (from all pixels) - lets call it SumDif
    and use:
           PictureDif = …

我正在建立一个遗传算法来解决旅行商问题.不幸的是,我发现可以持续超过一千代的峰值,然后突变它们并获得更好的结果.在这种情况下,交叉和变异算子通常做得好吗？

我有一个优化问题,我试图用遗传算法解决.基本上,有一个10个绑定实值变量的列表(-1 <= x <= 1),我需要最大化该列表的某些功能.问题是列表中最多只有4个变量!= 0(子集条件).

数学上说:对于某些函数f:[ - 1,1] ^ 10 - > R min f(X)st | {var in X with var!= 0} | <= 4

关于f的一些背景:该函数与任何类型的背包物镜函数(如Sum x*weight或类似物)不相似.

到目前为止我尝试了什么:

只是基因组的基本遗传算法[-1,1] ^ 10,在变量上有1点交叉和一些高斯变异.我尝试通过仅使用前4个非零(零,因为足够接近0)值来对适应度函数中的子集条件进行编码.这种方法不能很好地工作,并且算法停留在4个第一个变量上,并且从不使用超出该值的值.我看到了01-knapsack问题的某种GA,这种方法运行良好,但显然这只适用于二进制变量.

你会建议我接下来尝试什么？

据我所知,NEAT(增强拓扑的NeuroEvolution)是一种使用进化概念训练神经网络的算法.另一方面,强化学习是一种机器学习,其概念是"奖励"更成功的节点.

这两个字段有什么区别,因为它们看起来非常相似？或者NEAT来自强化学习？