人工智能Java坦克机器人系列.pdfVIP

人工智能 Java 坦克机器人系列 : 遗传算法 遗传算法（ Genetic Algorithm, GA ）是近几年发展起来的一种崭新的全局优化算法。 本文将 讲解这种算法，并介绍如何 Robocode Java 坦克机器人中采用此算法以实现机器人进化。 遗传算法 遗传算法（ Genetic Algorithm, GA ）是近几年发展起来的一种崭新的全局优化算法。 1962 年霍兰德 (Holland) 教授首次提出了 GA 算法的思想， 它借用了仿真生物遗传学和自然选择机 理，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性的提高。从某种程度上 说遗传算法是对生物进化过程进行的数学方式仿真。 这一点体现了自然界中 物竞天择、适者生存 进化过程。与自然界相似，遗传算法对求解问 题的本身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价 ,把问题的解表示 成染色体， 并基于适应值来选择染色体， 使适应性好的染色体有更多的繁殖机会。 在算法中 也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群染色体，也即是假设解。 然后，把这些假设解置于问题的 环境“ ”中，也即一个适应度函数中来评价。并按适者生存的 原则，从中选择出较适应环境的染色体进行复制 , 淘汰低适应度的个体，再通过交叉，变异 过程产生更适应环境的新一代染色体群。 对这个新种群进行下一轮进化， 至到最适合环境的 值。 遗传算法已用于求解带有应用前景的一些问题，例如遗传程序设计、函数优化、排序问题、 人工神经网络、分类系统、计算机图像处理和机器人运动规划等。 术语说明 由于遗传算法是由进化论和遗传学机理而产生的搜索算法， 所以在这个算法中会用到很多生 物遗传学知识，下面是我们将会用来的一些术语说明： 一、染色体 (Chronmosome) 染色体又可以叫做基因型个体 (individuals), 一定数量的个体组成了群体 (population), 群体中 个体的数量叫做群体大小。 二、基因 (Gene) 基因是串中的元素，基因用于表示个体的特征。例如有一个串 S ＝1011 ，则其中的 1 ，0， 1， 1 这 4 个元素分别称为基因。它们的值称为等位基因 (Alletes) 。 三、基因地点 (Locus) 基因地点在算法中表示一个基因在串中的位置称为基因位置 (Gene Position) ，有时也简称基 因位。基因位置由串的左向右计算，例如在串 S ＝1101 中，0 的基因位置是 3 。 四、基因特征值 (Gene Feature) 在用串表示整数时，基因的特征值与二进制数的权一致；例如在串 S=1011 中，基因位置 3 中的 1，它的基因特征值为 2 ；基因位置 1 中的 1 ，它的基因特征值为 8 。 五、适应度 (Fitness) 各个个体对环境的适应程度叫做适应度 (fitness) 。为了体现染色体的适应能力，引入了对问 题中的每一个染色体都能进行度量的函数， 叫适应度函数 . 这个函数是计算个体在群体中被 使用的概率。 操作算法 霍兰德 (Holland) 教授最初提出的算法也叫简单遗传算法，简单遗传算法的遗传操作主要有 三种：选择 (selection) 、交叉 (crossover) 、变异 (mutation) 这也是遗传算法中最常用的三种 算法： 1．选择 (selection) 选择操作也叫复制操作， 从群体中按个体的适应度函数值选择出较适应环境的个体。