如何构建遗传算法类层次结构？

Posted 2023-02-23

【中文标题】如何构建遗传算法类层次结构？

【英文标题】：How to structure a Genetic Algorithm class hierarchy?

【发布时间】：2009-11-27 17:43:30

【问题描述】：

我正在使用遗传算法做一些工作，并想编写自己的 GA 类。由于 GA 可以有不同的方法来进行选择、变异、交叉、生成初始种群、计算适应度和终止算法，我需要一种方法来插入这些不同的组合。我最初的方法是创建一个抽象类，将所有这些方法定义为纯虚拟，并且任何具体类都必须实现它们。例如，如果我想尝试两个相同但具有不同交叉方法的 GA，我将必须创建一个继承自 GeneticAlgorithm 并实现除交叉方法之外的所有方法的抽象类，然后是两个具体类从这个类继承并且只实现交叉方法。这样做的缺点是，每次我想换出一两个方法来尝试新的东西时，我都必须创建一个或多个新类。

是否有另一种方法可以更好地解决这个问题？

【参考方案1】：

我在实施 GA 框架时采用的方法如下： 创建以下类： 一代 遗传算法 遗传算法适配器 遗传算法参数 人口 个人

虽然我没有为各种操作实现策略模式，但我相信在遗传算法实例上创建各种 GA 操作实现作为参数将是微不足道的。

GeneticAlgorithm 类捕获基本算法。它实际上只是定义了各个步骤（种群创建、个体随机化、选择、交叉、突变等），并在算法运行时管理个体种群。我想如果你愿意的话，你可以在这里插入不同的操作。

真正的魔力在于适配器。这就是使问题域（个人的特定子类，及其所有相关数据）适应遗传算法的原因。我在这里大量使用泛型，以便将人口、参数和个体的特定类型传递到实现中。这给了我对适配器实现的智能感知和强类型检查。适配器基本上需要定义如何为给定的个体（及其基因组）执行特定的操作。例如，这里是适配器的接口：

/// <summary>
/// The interface for an adapter that adapts a domain problem so that it can be optimised with a genetic algorithm.
    /// It is a strongly typed version of the adapter.
    /// </summary>
    /// <typeparam name="TGA"></typeparam>
    /// <typeparam name="TIndividual"></typeparam>
    /// <typeparam name="TPopulation"></typeparam>
    public interface IGeneticAlgorithmAdapter<TGA, TIndividual, TGeneration, TPopulation> : IGeneticAlgorithmAdapter
        where TGA : IGeneticAlgorithm
        where TIndividual : class, IIndividual, new()
        where TGeneration : class, IGeneration<TIndividual>, new()
        where TPopulation : class, IPopulation<TIndividual, TGeneration>, new()
    
        /// <summary>
        /// This gets called before the adapter is used for an optimisation.
        /// </summary>
        /// <param name="pso"></param>
        void InitialiseAdapter(TGA ga);

        /// <summary>
        /// This initialises the individual so that it is ready to be used for the genetic algorithm.
        /// It gets randomised in the RandomiseIndividual method.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="individual">The individual to initialise.</param>
        void InitialiseIndividual(TGA ga, TIndividual individual);

        /// <summary>
        /// This initialises the generation so that it is ready to be used for the genetic algorithm.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="generation">The generation to initialise.</param>
        void InitialiseGeneration(TGA ga, TGeneration generation);

        /// <summary>
        /// This initialises the population so that it is ready to be used for the genetic algorithm.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="population">The population to initialise.</param>
        void InitialisePopulation(TGA ga, TPopulation population);

        void RandomiseIndividual(TGA ga, TIndividual individual);

        void BeforeIndividualUpdated(TGA ga, TIndividual individual);
        void AfterIndividualUpdated(TGA ga, TIndividual individual);

        void BeforeGenerationUpdated(TGA ga, TGeneration generation);
        void AfterGenerationUpdated(TGA ga, TGeneration generation);

        void BeforePopulationUpdated(TGA ga, TPopulation population);
        void AfterPopulationUpdated(TGA ga, TPopulation population);

        double CalculateFitness(TGA ga, TIndividual individual);

        void CloneIndividualValues(TIndividual from, TIndividual to);

        /// <summary>
        /// This selects an individual from the population for the given generation.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="generation">The generation to select the individual from.</param>
        /// <returns>The selected individual.</returns>
        TIndividual SelectIndividual(TGA ga, TGeneration generation);

        /// <summary>
        /// This crosses over two parents to create two children.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="parentsGeneration">The generation that the parent individuals belong to.</param>
        /// <param name="childsGeneration">The generation that the child individuals belong to.</param>
        /// <param name="parent1">The first parent to cross over.</param>
        /// <param name="parent2">The second parent to cross over.</param>
        /// <param name="child">The child that must be updated.</param>
        void CrossOver(TGA ga, TGeneration parentsGeneration, TIndividual parent1, TIndividual parent2, TGeneration childsGeneration, TIndividual child);

        /// <summary>
        /// This mutates the given individual.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="generation">The individuals generation.</param>
        /// <param name="individual">The individual to mutate.</param>
        void Mutate(TGA ga, TGeneration generation, TIndividual individual);

        /// <summary>
        /// This gets the size of the next generation to create.
        /// Typically, this is the same size as the current generation.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="currentGeneration">The current generation.</param>
        /// <returns>The size of the next generation to create.</returns>
        int GetNextGenerationSize(TGA ga, TGeneration currentGeneration);


        /// <summary>
        /// This gets whether a cross over should be performed when creating a child from this individual.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="currentGeneration">The current generation.</param>
        /// <param name="individual">The individual to determine whether it needs a cross over.</param>
        /// <returns>True to perform a cross over. False to allow the individual through to the next generation un-altered.</returns>
        bool ShouldPerformCrossOver(TGA ga, TGeneration generation, TIndividual individual);

        /// <summary>
        /// This gets whether a mutation should be performed when creating a child from this individual.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="currentGeneration">The current generation.</param>
        /// <param name="individual">The individual to determine whether it needs a mutation.</param>
        /// <returns>True to perform a mutation. False to allow the individual through to the next generation un-altered.</returns>
        bool ShouldPerformMutation(TGA ga, TGeneration generation, TIndividual individual);
    

我发现这种方法对我很有效，因为我可以轻松地为不同的问题域重用 GA 实现，只需编写适当的适配器。对于不同的选择、交叉或变异实现，适配器可以调用它感兴趣的实现。我通常做的是在我研究合适的策略时注释掉适配器中的不同想法。

希望这会有所帮助。我可以在必要时提供更多指导。很难做到这样的设计正义。

【参考方案2】：

我会将 GA 视为许多对象的协作，而不是一个封装整个算法的大类。基本上，你可以为每一个大的 变化点，以及您想要的每个实现选择的具体类。然后，您将所需的具体类组合成多种 GA。

另外，您可能想熟悉一下策略模式： http://en.wikipedia.org/wiki/Strategy_pattern

【参考方案3】：

我认为你的方法过于复杂了。建议您下载GAlib 包。即使您只以 html 或 pdf 格式提取文档。这些库已经存在了一段时间，我确信您将通过查看 GAlib 中的完成方式来学习如何构建您的库。

【参考方案4】：

我的一些随机位：

您应该检查的项目（作为一种方法）是watchmaker 构建 GA 最困难的部分是为您的问题找到合理的遗传表示，并为给定的群体构建具有良好分布的适应度函数适应度 在处理 (m) 任何硬约束时，您可以考虑引入一个处理硬约束的 Translator 类，但代价是（可能的）垃圾 DNA 和一点性能

【参考方案5】：

您的实现看起来像 Decorator pattern。

【讨论】：

我认为装饰器是添加功能，而不是改变功能

【参考方案6】：

正如人们所说，不要把它变成一个大类。那将是可怕的。将行为封装在不同的类中。战略是一种解决方案。 如果您需要示例下载源和JGAP 的示例。它支持遗传编程和遗传算法。你会看到那里很好的设计。 Mutation,Crossover,Selection,Population,Gene - 所有这些都是独立的类。您只需设置配置对象，在其中启动定义的接口与您想要使用的实现，传递适当的算法参数并运行它。确实包很大，javadoc 很好，您可以随时查看源代码或查看邮件组以获取一些答案。当我在寻找 GA 包时，我看到了 GAlib 和其他包，但我认为这个包是最完整的，设计非常好。