Разработка генетического алгоритма на Java
1. Вступление
Цель этой серии -explain the idea of genetic algorithms.
Генетические алгоритмы предназначены для решения проблем с использованием тех же процессов, что и в природе - они используют комбинацию отбора, рекомбинации и мутации для разработки решения проблемы.
Давайте начнем с объяснения концепции этих алгоритмов на простейшем примере двоичного генетического алгоритма.
2. Как работают генетические алгоритмы
Genetic algorithms are a part of evolutionary computing - быстро развивающаяся область искусственного интеллекта.
Алгоритм начинается сset of solutions (представленногоindividuals), называемогоpopulation. Решения из одной популяции берутся и используются для формированияnew population, так как есть шанс, что новая популяция будет лучше старой.
Лица, выбранные для формирования новых решений (offspring), выбираются в соответствии с ихfitness - чем они более подходящими, тем больше у них шансов на воспроизведение.
3. Бинарный генетический алгоритм
Давайте посмотрим на основной процесс простого генетического алгоритма.
3.1. инициализация
На этапе инициализации wegenerate a random Population that serves as a first solution. Во-первых, нам нужно решить, насколько велик будетPopulation и какое окончательное решение мы ожидаем:
SimpleGeneticAlgorithm.runAlgorithm(50,
"1011000100000100010000100000100111001000000100000100000000001111");
В приведенном выше примере размерPopulation равен 50, и правильное решение представлено двоичной битовой строкой, которую мы можем изменить в любое время.
На следующем шаге мы собираемся сохранить желаемое решение и создать случайныйPopulation:
setSolution(solution);
Population myPop = new Population(populationSize, true);
Теперь мы готовы запустить основной цикл программы.
3.2. Проверка пригодности
В основном цикле программы мы переходим кevaluate each Individual by the fitness function (простыми словами, чем лучшеIndividual, тем большее значение фитнес-функции он получает):
while (myPop.getFittest().getFitness() < getMaxFitness()) {
System.out.println(
"Generation: " + generationCount
+ " Correct genes found: " + myPop.getFittest().getFitness());
myPop = evolvePopulation(myPop);
generationCount++;
}
Начнем с объясненияhow we get the fittest Individual:
public int getFitness(Individual individual) {
int fitness = 0;
for (int i = 0; i < individual.getDefaultGeneLength()
&& i < solution.length; i++) {
if (individual.getSingleGene(i) == solution[i]) {
fitness++;
}
}
return fitness;
}
Как мы видим, мы сравниваем два объектаIndividual по крупицам. Если мы не можем найти идеальное решение, нам нужно перейти к следующему шагу, который представляет собой эволюциюPopulation.
3.3. Потомство
На этом этапе нам нужно создать новыйPopulation. Во-первых, нам нужноSelect два родительских объектаIndividual изPopulation, в соответствии с их пригодностью. Обратите внимание, что выгодно позволить лучшимIndividual из текущего поколения переноситься на следующее без изменений. Эта стратегия называетсяElitism:
if (elitism) {
newPopulation.getIndividuals().add(0, pop.getFittest());
elitismOffset = 1;
} else {
elitismOffset = 0;
}
Чтобы выбрать два лучших объектаIndividual, мы собираемся применитьtournament selection strategy:
private Individual tournamentSelection(Population pop) {
Population tournament = new Population(tournamentSize, false);
for (int i = 0; i < tournamentSize; i++) {
int randomId = (int) (Math.random() * pop.getIndividuals().size());
tournament.getIndividuals().add(i, pop.getIndividual(randomId));
}
Individual fittest = tournament.getFittest();
return fittest;
}
Победитель каждого турнира (наиболее подготовленный) выбирается для следующего этапа, что составляетCrossover:
private Individual crossover(Individual indiv1, Individual indiv2) {
Individual newSol = new Individual();
for (int i = 0; i < newSol.getDefaultGeneLength(); i++) {
if (Math.random() <= uniformRate) {
newSol.setSingleGene(i, indiv1.getSingleGene(i));
} else {
newSol.setSingleGene(i, indiv2.getSingleGene(i));
}
}
return newSol;
}
В кроссовере мы меняем местами биты из каждого выбранногоIndividual в случайно выбранном месте. Весь процесс выполняется внутри следующего цикла:
for (int i = elitismOffset; i < pop.getIndividuals().size(); i++) {
Individual indiv1 = tournamentSelection(pop);
Individual indiv2 = tournamentSelection(pop);
Individual newIndiv = crossover(indiv1, indiv2);
newPopulation.getIndividuals().add(i, newIndiv);
}
Как мы видим, после кроссовера мы помещаем новое потомство в новыйPopulation. Этот шаг называетсяAcceptance.
Наконец, мы можем выполнитьMutation. Мутация используется для сохранения генетического разнообразия от одного поколения aPopulationк следующему. Мы использовали тип мутацииbit inversion, где случайные биты просто инвертируются:
private void mutate(Individual indiv) {
for (int i = 0; i < indiv.getDefaultGeneLength(); i++) {
if (Math.random() <= mutationRate) {
byte gene = (byte) Math.round(Math.random());
indiv.setSingleGene(i, gene);
}
}
}
Все типы Мутации и Кроссовера хорошо описаныin this tutorial.
Затем мы повторяем шаги из подразделов 3.2 и 3.3, пока не достигнем условия завершения, например, наилучшего решения.
4. Секреты и уловки
Для того, чтобыimplement an efficient genetic algorithm, нам нужно настроить набор параметров. Этот раздел должен дать вам несколько основных рекомендаций, как начать с большинства параметров импорта:
-
Crossover rate - он должен быть высоким, около80%-95%
-
Mutation rate - он должен быть очень низким, около0.5%-1%.
-
Population size - хороший размер популяции составляет около20-30, однако для некоторых задач лучше 50-100
-
Selection - базовыйroulette wheel selection можно использовать с концепциейelitism
-
Crossover and mutation type - это зависит от кодировки и проблемы
Обратите внимание, что рекомендации по настройке часто являются результатами эмпирических исследований генетических алгоритмов, и они могут варьироваться в зависимости от предложенных проблем.
5. Заключение
Это руководствоintroduces fundamentals of genetic algorithms. Вы можете узнать о генетических алгоритмахwithout any previous knowledge этой области, имея лишь базовые навыки компьютерного программирования.
Полный исходный код для фрагментов кода в этом руководстве доступенin the GitHub project.
Также обратите внимание, что мы используемLombok для создания геттеров и сеттеров. Вы можете проверить, как правильно его настроить, в своей IDEin this article.
Для дальнейших примеров генетических алгоритмов, проверьте все статьи нашей серии:
-
Как разработать генетический алгоритм? (этот)