在GUI中使用GA

Question

很抱歉，如果不清楚这一点，我正在移动设备上写这个并且我正在尝试快速完成。

我编写了一个基本的遗传算法，它使用二进制编码（基因）来构建适应值，并通过使用锦标赛选择，变异和交叉进行多次迭代。作为一个基本的命令行示例，它似乎有效。

我遇到的问题是在GUI中应用遗传算法，因为我正在编写一个使用GA通过迷宫找到方法的迷宫解决程序。如何将随机二进制编码基因和适应度函数（将所有二进制值加在一起）转换为控制迷宫周围机器人的方法？我已经在Java中构建了一个基本的GUI，它包含一个标签迷宫（如网格），可用路径为蓝色，墙壁为黑色。

重申我的GA表现良好并包含任何典型的GA（健身方法，获取和设置人口，选择，交叉等），但现在我需要将其插入GUI以使我的迷宫运行。需要去哪里才能获得可以根据GA所说的不同方向移动的机器人？如果可能的话，粗糙的伪代码会很棒

根据要求，使用单独的类（Indiv）构建Individual，所有主要工作都在Pop类中完成。当一个新个体被实例化时，一组int代表所述个体的基因，从0到1之间的数字随机挑选基因。适应度函数仅将这些基因的值加在一起，并在Pop类处理选择中，两个选定个体的突变和交叉。除此之外没有太多其他内容，命令行程序只显示了n代的进化，每次迭代的总体适应度都在提高。

编辑：现在开始变得更有意义了，虽然有一些事情让我烦恼......

正如Adamski建议我想创建一个“代理”，其中包含如下所示的选项。我遇到的问题是随机位串在这里发挥作用。代理知道墙壁的位置并以4位字符串（即0111）布局，但这对随机32位字符串有何影响？ （即10001011011001001110011011010101）如果我有以下迷宫（x是起点，2是目标，1是墙）：

x 1 1 1 1
0 0 1 0 0
1 0 0 0 2

如果我向左转，我面对错误的方式，如果向前移动，特工将完全从迷宫中移开。我假设第一代字符串将是完全随机的，它会随着适应度的增长而发展，但我不知道字符串在迷宫中是如何工作的。

所以，要做到这一点......

适应性是代理人能够移动并且在墙上的结果。

基因是一串32位，分成16组，每组2位，以显示可用的动作，并且机器人移动这两位需要通过代理四位来显示它靠近墙壁的位置。如果移动是越过墙壁，则移动不会被视为无效，如果移动，并且如果找到新墙，则适应性会上升。

是吗？

Answer 1

BadHorse的答案很好，如果你想解决一个特定的迷宫;您只需将您的位串解释为精确指令的序列，即可引导代理通过迷宫。在这种情况下，您的适应性不是位串的总和（正如您在问题中所述），而是衡量代理在解决问题方面的成功程度。例如，您的适应度可能被定义为“处理20条指令后，从迷宫末尾直线的距离”。

因此，在评估每个人时，您允许它处理来自您的位串的前20条指令，然后计算其适应性，执行任何交叉/突变，然后创建下一代个体。

如果您希望开发代理以解决任何迷宫，您需要在位字符串中编码规则而不是一系列指令。您可以根据墙壁是紧挨着机器人的前方，左侧还是右侧来定义规则; e.g。

FBLR Action
0000 Move Forward
0001 Move Forward
0010 Turn Right
etc

这为您提供了一个由16个动作组成的位串，每个动作编码为2位（00 =向前移动，01 =向右转，10 =向左转，11 =向后移动）。在评估代理时，它只是确定其当前状态，并使用位串作为查找表来确定它应该如何响应。然后它会重复这个次数，然后再评估它的适应性。

鉴于此编码，代理可以评估人类通常使用的规则，即“连续跟随左手墙”。显然，如果迷宫未完全连接，这种方法将会失败，在这种情况下，您需要将更多状态编码到基于规则的方法中（例如，如果过了“旧地”，代理可以做出不同的响应）。

希望有所帮助。

修改

回复您的最新修改：

我编写代理“传感器”来检测它是否在墙旁边的事实与位串（你的基因）无关，也许我对我的例子稍微有点困惑。该基因仅编码动作（向前移动等）不传感器状态。

因此，在给定传感器读数的特定组合的情况下，您应该编写代码来查找位串的相关部分; e.g。

/**
 * Enumeration describing the four available actions to the agent
 * and methods for decoding a given action from the "bit" string
 * (actually represented using booleans).
 */
public enum Action {
  MOVE_FORWARD, REVERSE, TURN_LEFT, TURN_RIGHT

  Action decodeAction(boolean b1, boolean b2) {
    Action ret;

    if (b1) {
      ret = b2 ? Action.MOVE_FORWARD : Action.TURN_LEFT;
    } else {
      ret = b2 ? Action.TURN_RIGHT : Action.REVERSE;
    }

    return ret;
  }
}

/**
 * Class encapsulating the 32-bit "bit string" represented using booleans.
 * Given the state of the four agent inputs the gene will provide a specific
 * action for the agent to perform.
 */
public class Gene {
  private final boolean[] values = new boolean[32];

  public Action getActionForSensorInputs(boolean wallInFront,
    boolean wallBehind, boolean wallToLeft, boolean wallToRight) {

    int i=0;

    // Encode the four sensor inputs as a single integer value by
    // bitwise-ORing each sensor value with a power of 2.
    // The encoded value will be in the range [0, 15].
    if (wallToRight) {
      i |= 0x01;
    }

    if (wallToLeft) {
      i |= 0x02;
    }

    if (wallBehind) {
      i |= 0x04;
    }

    if (wallInFront) {
      i |= 0x08;
    }

    // The look-up index is i * 2 because each action is encoded as 2
    // booleans.
    int index = i * 2;

    // Retrieve the two action bits from the bit string.
    boolean b1 = this.values[index];
    boolean b2 = this.values[index + 1];

    // Finally decode the action to perform.
    return Action.decodeAction(b1, b2);
  }

  // TODO: Add method to support crossover and mutation with other Genes.
}

鉴于Gene的这个简单定义，您可以将此类嵌入Agent实现中，并记录代理如何使用当前基因“已安装”执行; e.g。

private enum Direction { NORTH, SOUTH, EAST, WEST };

public class Agent {
  private final Geneva gene;
  private final int x; // x position in maze;
  private final int y; // y position in maze;
  private Direction currentDirection;

  public double evaluate() {
    double fitness;

    // Perform up to 20 actions and then evaluate fitness.
    for (int i=0; i<20; ++i) {
      // TODO Determine sensor inputs.

      Action action = gene.getActionForSensorInputs(...);

      // TODO: Now apply action to update agent's state.
      // If agent has reached goal exit loop and return fitness 1.0 (max fitness).
      // If agent has exited the maze then exit loop and return 0.0 (min fitness).
    }

    // Calculate fitness after 100 steps taken.  For example could be
    // calculated as sqrt((goal.x - x) ^ 2 + (goal.y - y) ^ 2).

    return fitness;
  }
}

Answer 2

如果我理解正确，您需要确定您的机器人在GUI中的操作如何由遗传算法的结果表示？我认为确定您想要使用的表示应该是您的起点。因此，您需要为您个体中的每个（一组）'基因'创建一个映射，以便对您的机器人的运动算法中的某个动作或某个更改进行。

只要您选择了可行的表示形式，实施就会更合乎逻辑。

一个非常简单的运动表现就是让基因硬编码某条路线。您可以使用四个基因的块来表示不同的方向，然后0表示“不沿这个方向移动”而1代表移动。

然后表示01001101可以转换为以下运动模式：

stand still
go one step east
stand still
stand still
go one step north
go one step east
stand still
go one step west