Question

我刚刚开始研究遗传算法，并且没有查看代码中现有的遗传算法，而是编写了这个简单的程序，其目的是从给定范围内猜测一个数字，并且所猜测的数字应与预期数字正确匹配。我了解GA基本上会发展到达到预期状态。

该程序的作用是，它生成一个随机数，将其与正确的数字进行比较，并在每次失败的猜测之后调整其范围，并在一段时间内随着范围变窄而正确地猜测该数字。这个程序会被称为遗传算法吗？

number_to_be_guessed = 10

attempt = 0
start = 0
end = 100
while True:
    guessed_number = random.randint(start,end)
    if guessed_number == number_to_be_guessed:
        print("Number found, which is {}".format(guessed_number))
        break
    elif guessed_number > number_to_be_guessed:
        end = guessed_number
    else:
        start = guessed_number   
    print("Attempt:{} -- Guessed Number:{} -- Start Value:{} -- End Value:{}"\
      .format(attempt,guessed_number,start,end))
    attempt += 1

输出

尝试：0-猜测数字：0-起始值：0-结束值：100

尝试：1-猜中的数字：27-起始值：0-结束值：27

尝试：2-猜中的数字：22-起始值：0-结束值：22

尝试：3-猜中的数字：15-起始值：0-结束值：15

尝试：4-猜中的数字：2-起始值：2-结束值：15

尝试：5-猜中的数字：6-起始值：6-结束值：15

尝试：6-猜中的数字：8-起始值：8-结束值：15

尝试：7-猜中的数字：9-起始值：9-结束值：15

尝试：8-猜中的数字：14-起始值：9-结束值：14

尝试：9-猜中的数字：12-起始值：9-结束值：12

尝试：10-猜中的数字：12-起始值：9-结束值：12

找到数字，即10

Answer 1

Here is a good summary.

我不认为您的解决方案可以称为遗传算法。

遗传算法通常具有以下几方面：

有一个便于“变异”的表示。例如，如果您可以用位字表示算法的状态，并且位字的随机排列会创建算法的有效更改状态，那么这类似于遗传算法中可能看到的状态。

该表示形式也可以促进杂交。因此，以位字为例，如果您可以从一种解决方案中获取一半的比特，而从另一种解决方案中获取一半的比特，然后将它们组合；并且该组合表示该算法的有效状态，然后类似于您在遗传算法中可能看到的状态。

这类算法倾向于通过自然选择来生存。因此，通常您可以使用适应度函数来确定您的解决方案的效果。较差的解决方案可能会被放弃。好的解决方案可能会变异或杂交，以用于下一次测试迭代。

您的算法不执行任何操作。

Answer 2

制作遗传/进化算法需要了解的几件事

定义问题
你必须知道你想得到什么
然后您可以开始开发遗传算法

您发布的代码只是蛮力，您需要在循环中随机输入一个数字。

真正的GA有以下一些步骤：

第一代的初始化
这一代人的评价
选择父母
遗传操作（变异和交叉）（生孩子）
儿童评估
将其中一些作为父母
循环运动直至健身功能表明您的结果足够好

就在那里。这里很难解释所有内容。您会在互联网上到处找到它：）

遗传算法-是什么使算法具有遗传性？

2 个答案: