Implementazione della programmazione genetica

Question

Conosco le generalità della programmazione genetica, ma mi chiedo dove potrei trovare qualcosa che mi mostri i dettagli dell'implementazione della programmazione genetica. Uso C# e .NET 3.5 e vorrei mettere per usare la programmazione genetica per cose come Pathfinding e in genere voglio solo vedere cosa può fare. Modifica: probabilmente dovrei chiarire cosa sto cercando: sono interessato a quale tipo di strutture di dati verrebbero utilizzate per archiviare gli alberi di sintassi, come si potrebbe eseguire un'operazione di riproduzione, quel genere di cose.

Answer 1

Ecco una rapida riscrittura di uno di C ++ Helloworld Esempi che mi hanno aiutato a imparare la programmazione genetica:

using ga_vector = List<ga_struct>;

class ga_struct
{
    public ga_struct(string str, uint fitness)
    {
        Str = str;
        Fitness = fitness;
    }

    public string Str { get; set; }
    public uint Fitness { get; set; }
}

class Program
{

    private const int GA_POPSIZE = 2048;
    private const int GA_MAXITER = 16384;
    private const float GA_ELITRATE = 0.10f;
    private const float GA_MUTATIONRATE = 0.25f;
    private const float GA_MUTATION = 32767 * GA_MUTATIONRATE;
    private const string GA_TARGET = "Hello world!";

    private static readonly Random random = new Random((int)DateTime.Now.Ticks);

    static void Main(string[] args)
    {
        ga_vector popAlpha = new ga_vector();
        ga_vector popBeta = new ga_vector();

        InitPopulation(ref popAlpha, ref popBeta);
        ga_vector population = popAlpha;
        ga_vector buffer = popBeta;

        for (int i = 0; i < GA_MAXITER; i++)
        {
            CalcFitness(ref population);
            SortByFitness(ref population);
            PrintBest(ref population);

            if (population[0].Fitness == 0) break;

            Mate(ref population, ref buffer);
            Swap(ref population, ref buffer);
        }

        Console.ReadKey();
    }

    static void Swap(ref ga_vector population, ref ga_vector buffer)
    {
        var temp = population;
        population = buffer;
        buffer = temp;
    }

    static void InitPopulation(ref ga_vector population, ref ga_vector buffer)
    {
        int tsize = GA_TARGET.Length;
        for (int i = 0; i < GA_POPSIZE; i++)
        {
            var citizen = new ga_struct(string.Empty, 0);

            for (int j = 0; j < tsize; j++)
            {
                citizen.Str += Convert.ToChar(random.Next(90) + 32);
            }

            population.Add(citizen);
            buffer.Add(new ga_struct(string.Empty, 0));
        }
    }

    static void CalcFitness(ref ga_vector population)
    {
        const string target = GA_TARGET;
        int tsize = target.Length;

        for (int i = 0; i < GA_POPSIZE; i++)
        {
            uint fitness = 0;
            for (int j = 0; j < tsize; j++)
            {
                fitness += (uint) Math.Abs(population[i].Str[j] - target[j]);
            }

            population[i].Fitness = fitness;
        }
    }

    static int FitnessSort(ga_struct x, ga_struct y)
    {
        return x.Fitness.CompareTo(y.Fitness);
    }

    static void SortByFitness(ref ga_vector population)
    {
        population.Sort((x, y) => FitnessSort(x, y));
    }

    static void Elitism(ref ga_vector population, ref ga_vector buffer, int esize)
    {
        for (int i = 0; i < esize; i++)
        {
            buffer[i].Str = population[i].Str;
            buffer[i].Fitness = population[i].Fitness;
        }
    }

    static void Mutate(ref ga_struct member)
    {
        int tsize = GA_TARGET.Length;
        int ipos = random.Next(tsize);
        int delta = random.Next(90) + 32;

        var mutated = member.Str.ToCharArray();
        Convert.ToChar((member.Str[ipos] + delta)%123).ToString().CopyTo(0, mutated, ipos, 1);
        member.Str = mutated.ToString();
    }

    static void Mate(ref ga_vector population, ref ga_vector buffer)
    {
        const int esize = (int) (GA_POPSIZE*GA_ELITRATE);
        int tsize = GA_TARGET.Length, spos, i1, i2;

        Elitism(ref population, ref buffer, esize);

        for (int i = esize; i < GA_POPSIZE; i++)
        {
            i1 = random.Next(GA_POPSIZE/2);
            i2 = random.Next(GA_POPSIZE/2);
            spos = random.Next(tsize);

            buffer[i].Str = population[i1].Str.Substring(0, spos) + population[i2].Str.Substring(spos, tsize - spos);

            if (random.Next() < GA_MUTATION)
            {
                var mutated = buffer[i];
                Mutate(ref mutated);
                buffer[i] = mutated;
            }
        }
    }

    static void PrintBest(ref ga_vector gav)
    {
        Console.WriteLine("Best: " + gav[0].Str + " (" + gav[0].Fitness + ")");
    }

Potrebbero esserci alcuni errori minori, ma altrimenti sembra che funzioni bene. Inoltre potrebbe essere scritto meglio nello spirito di C# ma questi sono solo dettagli. :)

Answer 2

Il progetto Mona Lisa di Roger Alsing è un buon esempio.http://rogeralsing.com/2008/12/07/genetic-programming-evolution-of-Mona-Lisa/

EDIT: Il motivo per cui mi piace l'esempio è perché è piuttosto piccolo e facile da capire. È un modo rapido e semplice per cogliere il concetto di programmazione genetica.

Answer 3

Potresti guardare Sopravvivenza del più adatto: selezione naturale con moduli Windows.

EDIT: vedi questo Precedente SO Domanda, che ho appena trovato. È praticamente un duplicato. Scusa se non capisci il link (è bene menzionare queste cose nella domanda). Inoltre, l'altra domanda è ancora aperta per ulteriori risposte/modifiche, anche se è stata accettata una risposta.

Answer 4

Puoi provare questo porto C# .NET 4.0 di Sean Luke's J (calcolo evolutivo in Java):

http://branecloud.codeplex.com

È software molto flessibile e potente! Ma è anche relativamente facile iniziare perché include molti campioni di console di lavoro fuori dalla scatola (e molti utili test unitari che sono stati sviluppati durante la conversione).

Ben