GA написано на Java
Я пытаюсь написать генетический алгоритм, основанный на методах, которые я выбрал из книги "Методы ИИ для программистов игр", в которых используется двоичное кодирование и пропорциональный отбор по пригодности (также известный как выбор колеса рулетки) для генов населения, которые являются случайно генерируется в программе в двумерном массиве.
Недавно я наткнулся на кусок псевдокода и попытался его реализовать, но столкнулся с некоторыми проблемами, связанными со спецификой того, что мне нужно делать. Я проверил несколько книг и некоторый открытый исходный код и все еще изо всех сил пытаюсь прогрессировать. Я понимаю, что я должен получить сумму общей пригодности населения, выбрать случайное число между суммой и нулем, а затем, если число больше, чем родители, чтобы перезаписать его, но я борюсь с реализацией этих идей,
Любая помощь в реализации этих идей будет очень признательна, так как моя Java ржавая.
7 ответов
Ниже приводится полная схема ГА. Я постарался быть очень подробным, чтобы его можно было легко кодировать в C/Java/Python/..
/* 1. Init population */
POP_SIZE = number of individuals in the population
pop = newPop = []
for i=1 to POP_SIZE {
pop.add( getRandomIndividual() )
}
/* 2. evaluate current population */
totalFitness = 0
for i=1 to POP_SIZE {
fitness = pop[i].evaluate()
totalFitness += fitness
}
while not end_condition (best fitness, #iterations, no improvement...)
{
// build new population
// optional: Elitism: copy best K from current pop to newPop
while newPop.size()<POP_SIZE
{
/* 3. roulette wheel selection */
// select 1st individual
rnd = getRandomDouble([0,1]) * totalFitness
for(idx=0; idx<POP_SIZE && rnd>0; idx++) {
rnd -= pop[idx].fitness
}
indiv1 = pop[idx-1]
// select 2nd individual
rnd = getRandomDouble([0,1]) * totalFitness
for(idx=0; idx<POP_SIZE && rnd>0; idx++) {
rnd -= pop[idx].fitness
}
indiv2 = pop[idx-1]
/* 4. crossover */
indiv1, indiv2 = crossover(indiv1, indiv2)
/* 5. mutation */
indiv1.mutate()
indiv2.mutate()
// add to new population
newPop.add(indiv1)
newPop.add(indiv2)
}
pop = newPop
newPop = []
/* re-evaluate current population */
totalFitness = 0
for i=1 to POP_SIZE {
fitness = pop[i].evaluate()
totalFitness += fitness
}
}
// return best genome
bestIndividual = pop.bestIndiv() // max/min fitness indiv
Обратите внимание, что в настоящее время вам не хватает фитнес-функции (зависит от домена). Кроссовер будет простым одноточечным кроссовером (поскольку вы используете двоичное представление). Мутация может быть простым случайным движением.
РЕДАКТИРОВАТЬ: Я реализовал вышеупомянутый псевдокод в Java, принимая во внимание вашу текущую структуру кода и нотации (имейте в виду, что я больше из a c/ C++ парень, чем Java). Обратите внимание, что это ни в коем случае не самая эффективная или полная реализация, я признаю, что написал ее довольно быстро:
Individual.java
import java.util.Random;
public class Individual
{
public static final int SIZE = 500;
private int[] genes = new int[SIZE];
private int fitnessValue;
public Individual() {}
public int getFitnessValue() {
return fitnessValue;
}
public void setFitnessValue(int fitnessValue) {
this.fitnessValue = fitnessValue;
}
public int getGene(int index) {
return genes[index];
}
public void setGene(int index, int gene) {
this.genes[index] = gene;
}
public void randGenes() {
Random rand = new Random();
for(int i=0; i<SIZE; ++i) {
this.setGene(i, rand.nextInt(2));
}
}
public void mutate() {
Random rand = new Random();
int index = rand.nextInt(SIZE);
this.setGene(index, 1-this.getGene(index)); // flip
}
public int evaluate() {
int fitness = 0;
for(int i=0; i<SIZE; ++i) {
fitness += this.getGene(i);
}
this.setFitnessValue(fitness);
return fitness;
}
}
Population.java
import java.util.Random;
public class Population
{
final static int ELITISM_K = 5;
final static int POP_SIZE = 200 + ELITISM_K; // population size
final static int MAX_ITER = 2000; // max number of iterations
final static double MUTATION_RATE = 0.05; // probability of mutation
final static double CROSSOVER_RATE = 0.7; // probability of crossover
private static Random m_rand = new Random(); // random-number generator
private Individual[] m_population;
private double totalFitness;
public Population() {
m_population = new Individual[POP_SIZE];
// init population
for (int i = 0; i < POP_SIZE; i++) {
m_population[i] = new Individual();
m_population[i].randGenes();
}
// evaluate current population
this.evaluate();
}
public void setPopulation(Individual[] newPop) {
// this.m_population = newPop;
System.arraycopy(newPop, 0, this.m_population, 0, POP_SIZE);
}
public Individual[] getPopulation() {
return this.m_population;
}
public double evaluate() {
this.totalFitness = 0.0;
for (int i = 0; i < POP_SIZE; i++) {
this.totalFitness += m_population[i].evaluate();
}
return this.totalFitness;
}
public Individual rouletteWheelSelection() {
double randNum = m_rand.nextDouble() * this.totalFitness;
int idx;
for (idx=0; idx<POP_SIZE && randNum>0; ++idx) {
randNum -= m_population[idx].getFitnessValue();
}
return m_population[idx-1];
}
public Individual findBestIndividual() {
int idxMax = 0, idxMin = 0;
double currentMax = 0.0;
double currentMin = 1.0;
double currentVal;
for (int idx=0; idx<POP_SIZE; ++idx) {
currentVal = m_population[idx].getFitnessValue();
if (currentMax < currentMin) {
currentMax = currentMin = currentVal;
idxMax = idxMin = idx;
}
if (currentVal > currentMax) {
currentMax = currentVal;
idxMax = idx;
}
if (currentVal < currentMin) {
currentMin = currentVal;
idxMin = idx;
}
}
//return m_population[idxMin]; // minimization
return m_population[idxMax]; // maximization
}
public static Individual[] crossover(Individual indiv1,Individual indiv2) {
Individual[] newIndiv = new Individual[2];
newIndiv[0] = new Individual();
newIndiv[1] = new Individual();
int randPoint = m_rand.nextInt(Individual.SIZE);
int i;
for (i=0; i<randPoint; ++i) {
newIndiv[0].setGene(i, indiv1.getGene(i));
newIndiv[1].setGene(i, indiv2.getGene(i));
}
for (; i<Individual.SIZE; ++i) {
newIndiv[0].setGene(i, indiv2.getGene(i));
newIndiv[1].setGene(i, indiv1.getGene(i));
}
return newIndiv;
}
public static void main(String[] args) {
Population pop = new Population();
Individual[] newPop = new Individual[POP_SIZE];
Individual[] indiv = new Individual[2];
// current population
System.out.print("Total Fitness = " + pop.totalFitness);
System.out.println(" ; Best Fitness = " +
pop.findBestIndividual().getFitnessValue());
// main loop
int count;
for (int iter = 0; iter < MAX_ITER; iter++) {
count = 0;
// Elitism
for (int i=0; i<ELITISM_K; ++i) {
newPop[count] = pop.findBestIndividual();
count++;
}
// build new Population
while (count < POP_SIZE) {
// Selection
indiv[0] = pop.rouletteWheelSelection();
indiv[1] = pop.rouletteWheelSelection();
// Crossover
if ( m_rand.nextDouble() < CROSSOVER_RATE ) {
indiv = crossover(indiv[0], indiv[1]);
}
// Mutation
if ( m_rand.nextDouble() < MUTATION_RATE ) {
indiv[0].mutate();
}
if ( m_rand.nextDouble() < MUTATION_RATE ) {
indiv[1].mutate();
}
// add to new population
newPop[count] = indiv[0];
newPop[count+1] = indiv[1];
count += 2;
}
pop.setPopulation(newPop);
// reevaluate current population
pop.evaluate();
System.out.print("Total Fitness = " + pop.totalFitness);
System.out.println(" ; Best Fitness = " +
pop.findBestIndividual().getFitnessValue());
}
// best indiv
Individual bestIndiv = pop.findBestIndividual();
}
}
Почему бы не использовать Framework с открытым исходным кодом, такой как JGAP: http://jgap.sf.net/
Я реализовал этот алгоритм, создав "совокупный фитнес-массив" и бинарный поиск, тем самым уменьшая необходимость перебирать каждый элемент в массиве во время выбора:
- Для численности населения N создайте совокупный фитнес-массив: arr[N].
- Установите arr[0]:= computeFitness(индивидуальный [0]).
- Затем для каждого последующего элемента: X, arr[X] = arr[X-1] + computeFitness(индивидуальный [X]).
- Генерация случайного числа от 0 до arr[N] (т. Е. Общая пригодность).
- Используйте бинарный поиск (например, Collections.binarySearch), чтобы найти соответствующий индекс в совокупном фитнес-массиве, и используйте этот индекс, чтобы выбрать человека.
Обратите внимание, что вам нужно создать массив пригодности только в начале фазы воспроизведения, а затем использовать его несколько раз, чтобы выполнить выборки за O(log N) времени.
Кроме того, обратите внимание, что отбор турниров гораздо проще осуществить!
Я сделал расширяемую реализацию в Java, в которой операторы и индивидуальная структура хорошо определяются интерфейсами, которые работают вместе. Github репо здесь https://github.com/juanmf/ga
Он имеет стандартную реализацию для каждого оператора и примерную реализацию проблемы с конкретной структурой "Индивидуальное / Население" и счетчиком "Фитнес". Пример реализации проблемы - найти хорошую футбольную команду с игроками из 20 команд и ограниченным бюджетом.
Чтобы адаптировать его к вашей текущей проблеме, вам необходимо предоставить реализации этих интерфейсов:
juanmf.ga.structure.Gen;
juanmf.ga.structure.Individual;
juanmf.ga.structure.IndividualFactory;
juanmf.ga.structure.Population; // Has a basic implementation already
juanmf.ga.structure.PopulationFactory;
В pkg juanmf.grandt у вас есть примеры классов реализации проблем и способы их публикации, как показано в фрагменте кода ниже.
Чтобы опубликовать свои реализации, вам просто нужно вернуть соответствующие классы из этого бина Spring:
/**
* Make sure @ComponentScan("pkg") in juanmf.ga.App.java includes this class' pkg
* so that these beans get registered.
*/
@Configuration
public class Config {
@Bean(name="individualFactory")
public IndividualFactory getIndividualFactory() {
return new Team.TeamFactory();
}
@Bean(name="populationFactory")
public PopulationFactory getPopulationFactory() {
return new Team.TeamPopulationFactory();
}
@Bean(name="fitnessMeter")
public FitnessMeter getFitnessMeter() {
return new TeamAptitudeMeter();
}
}
Оператор Crosser имеет две реализации для одного и того же метода, один последовательный и один параллельный, который намного превосходит последовательный.
Условие остановки может быть указано. Если ничего не дано, у него есть условие остановки по умолчанию, которое останавливается через 100 поколений без улучшений (здесь вы должны быть осторожны с элитарным игроком, чтобы не потерять лучшее из каждого поколения, чтобы эффективно запустить это условие остановки).
Так что, если кто-то захочет попробовать, я буду рад помочь. Любой может предложить свои предложения, а еще лучше реализации оператора:D или любой улучшающий запрос на извлечение.
Концепция, которую вы ищете, называется "выбор колеса рулетки". У вас еще нет установленной функции физической подготовки (возможно, вы подразумеваете, что физическая форма каждого индивидуума является неотъемлемой частью его хромосомы), но когда вы делаете общий план, это:
- Сумма пригодности всего населения.
- Получить случайное число (назовите его х) между 0 и общей пригодности.
- Итерация по населению. Для каждого участника:
- Вычтите пригодность члена от x.
- Если x теперь меньше или равно нулю, выберите текущий элемент.
Существуют и другие эквивалентные реализации, но общая идея заключается в выборе членов с вероятностью, пропорциональной их пригодности.
Изменить: несколько заметок о функциях фитнеса. Представление хромосомы (в вашем случае в виде 32-разрядного целого числа) не зависит от функции пригодности, используемой для ее оценки. Например, двоичные кодировки обычно обрабатывают хромосому как набор битовых полей, упакованных в целое значение соответствующего размера. Кроссовер и мутация могут затем быть выполнены с помощью соответствующих операций маскирования битов. Если вам интересно, я могу опубликовать некоторый простой код GA, который у меня есть (на C и Python), который использует побитовые операции для реализации этих функций. Я не уверен, насколько вам комфортно с этими языками.
Просто стоит упомянуть. Выбор колеса рулетки (как указано в псевдокоде) не будет работать для задач минимизации - он, однако, действителен для задач максимизации.
Из-за способа выбора наиболее подходящего индивидуума случай минимизации не сохранится. Подробности представлены в: Вычислительный интеллект: 2-е издание
Эти другие вопросы о выборе колеса рулетки должны помочь:
В первом я попытался объяснить, как работает колесо рулетки. Во втором случае Джарод Эллиотт предоставил псевдокод. В сочетании с описанием эффективной реализации Адамски этого должно быть достаточно, чтобы что-то заработало.