Question

我承担了使用遗传算法创建数独求解器的任务。

初始化：将给定值存储在每个染色体中，然后随机生成值，使每行成为值1到9的有效排列。

健身：由每行，每列和方格中的“不合适”值的数量决定，加在一起。

健身功能：典型的轮盘赌选择

选择：随机，但使用轮盘赌加权。

Crossover ：随机选择两个父母的各行，这会创建一个孩子。（我还实现了一个交叉，从父母双方一次随机选择3行 - 以保持良好的迷你网格）。以下是两个示例子项，每个交叉方法一个：

Parent 1 row 1
Parent 2 row 2
Parent 1 row 3
Parent 2 row 4
Parent 1 row 5
Parent 2 row 6
Parent 2 row 7
Parent 1 row 8
Parent 1 row 9

Parent 1 row 1
Parent 1 row 2
Parent 1 row 3
Parent 2 row 4
Parent 2 row 5
Parent 2 row 6
Parent 1 row 7
Parent 1 row 8
Parent 1 row 9

突变：最初我只是在两个随机位置交换了值，但这实际上使算法更糟糕，因为它在行中引入了有效排列的重复。因此我改变了突变（当突变的可能性在25％-50％范围内时似乎表现最佳）随机选择一行，然后随机化该行的排序（将给定值保留在正确的位置）

我还尝试了一个突变，它选择了一个随机行，然后在行中选择了两个随机（非给定）位置并交换它们，但这也使性能更差。（与两个随机位置的交换不同，我不明白为什么这种突变会使性能变得更糟，但是整个行随机化的突变会使性能更好）

我的算法还没有解决任何困难的难题。它经常会接近（在6到10次冲突的范围内），但它永远无法找到解决方案（它可能会找到局部最小值并卡住）。

为了改进算法，我增加了用完全随机化的板替换大部分人口（表现最差的染色体）的能力，但这似乎影响很小。

我的方法有哪些弱点？如何提高性能？

似乎Sudoku可能会让自己从突变中获得更好的表现，而不是交叉。

Answer 1

我使用这种方法用GA解决了一些数独游戏： http://fendrich.se/blog/2010/05/05/solving-sudoku-with-genetic-algorithms/

Sudoku有许多错误的局部最小值，因此保持种群多样性非常重要。不要太贪婪地收敛。这是许多难题的关键。收敛极其缓慢。

我不喜欢轮盘赌选择。它是一种收敛太快而且过于依赖健身功能的玩具。例如，您可以使用锦标赛选择。

我同意交叉很难应用。您可以将其视为一种大型突变，恰好是一种交叉。

Answer 2

我所知道的以编程方式解决数独游戏的最佳策略是使用Boolean satisfiability problem

使用遗传算法解决数独

2 个答案: