智能进化

用遗传的思想，来构建智能进化过程

 

1.定义：

     根据遗传算法的思想，智能的构建解决某一问题的最佳程序来，即构造一个能构造算法的算法

     根据目标对过程不停的迭代，通过变异、交叉（配对）的方式，找到最优解，或者变现足够好、经历了n代、经历n次迭代仍没有得到任何改善

     

     适用场景：根据一组输入输出，找出其对应的映射或者数学函数

　　

 

2.程序的设计思路：

     i.以树形方式展现：

　　

          a.枝节点代表了应用于其子节点上的操作

          b.而叶子节点为参数或者常量

          c.一旦得出某个分支的值，就会向上传播，使计算进行下去，if节点标识如果左侧分支结果为true，返回中间的分支结果，否则返回右侧分支的结果

     

     ii.python中表现树：

　　

　　

               以上面的封装创建函数组，并根据函数组创建树：

　　　　　　　　                      

               树的创建：

　　　　　　　　 

               树的展现：

　　　　　　　　                   

          iii.构造初始种群：

               以随机函数的方式来构建种群：

　　　　　　                  

 

3.模型应用：

     i.根据一个已知函数生成测试数据，然后用智能进化的方式，通过测试数据求函数

　　　　      

     ii.结果的衡量：

          将输入的参数输入随机tree，然后计算结果和输出的差值，来评价结果

　　　　

               

     iii.对程序（tree）进行变异：

          可以删除树的分支，或者用一棵全新的树来替换某一个子树

          这里通过概率来决定是否需要变异

　　　　    

     iv.交叉：

          从众多程序中选出表现优异者，将其组合在一起构造一个新的程序，通常的方式是用一棵树的分支取代另一棵树的分支：

               两棵树同时遍历，如果概率小于某一给定概率，则用一棵树的结果代替另一颗树的结果，并且替换对应位置的分支

               

 

          

     v.随机生成总群进行交叉测试

         

　　　　              

          rankfunction：种群程序优劣的排列函数
          mutationate：变异的概率

          breedingrate：交叉的概率

          popsize：初始种群的大小
          probexp：交叉的筛选概率

          probnew：引入全新程序的概率

 

     vi.多样性的重要性：

          将表现优异的题解和大量成绩尚可的题解组合在一起，往往能得到更好的结果，因为如果一直使用最优异的结果，种群也变得极端化了

 

4.模型的改进：

     其他数值型的函数：

          三角函数

          其他数学函数

          统计分布

          距离度量

          三个参数的函数：第一个参数介于第二、三间，则返回1

                                        前两个参数的差小于1，则返回1

 

     其他类型的变量：

          字符串

          列表

          字典

          对象