遗传算法-适应度函数

Question

我正试着把我的注意力集中在遗传算法和神经网络上，并且在网络上看到了几个视频。其中一些是搜索算法，比如搜索奶酪的鼠标。

健身功能给每只老鼠一种分数来评价他们的表现。在一个空旷的房间里，鼠标到奶酪的距离可以很好地反映出他们的健身成绩，因为他们可以“看到”奶酪，并且必须学会去那里。但是，在一个装满盒子的房间里，什么才是好的健身功能呢？距离假定他们知道往哪个方向走，因为如果我给那些缩小距离的人一个分数，那么所有的老鼠最终都会朝那个方向走……如果我把奶酪搬到别的地方他们会疯掉的..。简单地说，他们移动的距离也不是很好，因为在圆圈中移动的距离会有很高的分数。

对于这个问题，什么是很好的健身功能？

Answer 1

你确定你没有把遗传算法和传统的路径搜索算法结合起来吗？两者都有健身功能。在寻找路径的情况下，“启发式”通常被称为“启发式”。对于这些算法，“适应度”必须是假设在执行算法时使用的(或者更喜欢加快它的速度)。

实际遗传算法中的适应度函数是相对精确的，但这是因为它通常更多地是一种评估。例如，您使用当前值执行模拟，并计算鼠标找到奶酪所用的时间。旅行的时间或距离是逆适应度(逆因为较大的数字意味着不太适合)。如果适应度比以前的运行要好的话，您可以使用稍微不同的设置(通过变异、随机性等方式生成)进行新的模拟。并评估每一次哪些提高了健康，哪些没有(->适者生存)。如果适合度更差，就放弃这个分支(或者只保留每XX次遇到一个坏分支；“可能是在一个好的方向上”)。

Answer 2

达到奶酪所需的步骤有多少？

注意，您的问题是用算法来解决的，这并不是进化的。它确实使用启发性来提示一个位置有多好。

然而，健身功能应该以优化你的最终结果为目标，但你不一定需要有它的“正确”或“最佳”的价值在手中。只要在“越多越好”或“越少越好”的基础上找到你知道的东西就行了。