遗传编程 - 健身功能

Question

假设我有一组训练示例，其中A_i 是一个属性，结果是二元的（是或否）：

A1,             A2,             A3,             Outcome
red             dark            large           yes
green           dark            small           yes
orange          bright          large           no

我知道我必须定义适应度函数。但是这个问题有什么用呢？在我的实际问题中，有 10 个参数和 100 个训练示例，但这是一个类似的问题。

Answer 1

我认为这里的混乱来自这样一个事实，即通常适应度函数会给你一些标量，有时是离散的规模，但从来没有二进制是/否（或真/假）。从这个意义上说，这看起来更像是一个用神经网络（或者可能是贝叶斯逻辑）来解决的“分类”问题。话虽如此，您当然可以设计一个 GA 来进化任何类型的分类器，并且适应度函数基本上可以表示为对总评估的正确分类。

另一种纯 GA 方法（可能与问题更相关）是将整个分类规则集编码为遗传算法的给定个体。从这个意义上说，适应度函数可以表示为一个标量，表示手头的给定候选解决方案有多少是/否分类正确，等等。类似的方法可以在这篇论文Using Real-Valued Genetic: Algorithms to Evolve R,de Sets for Classification中找到。

示例（一种可能的编码方式）：

A1,             A2,             A3,             Outcome
red             dark            large           yes
green           dark            small           yes
orange          bright          large           no

编码：红色 = 000，深色 = 001，大 = 010，绿色 = 011，小 = 100，橙色 = 101，亮 = 111 等。 结果：是 = 1，否 = 0

染色体：

A1,             A2,             A3,             Outcome
000             001             010             1
011             001             100             1
101             111             010             0

以上所有内容都被转换为候选解决方案：

000001010-1/011001100-1/101111010-0

您将生成一组随机的这些，并通过测试整个规则集的适应度（规则集中的正确分类/总分类）以您喜欢的方式进化它们（在此处小心选择您的交叉策略！）。

我还建议您收听binary solo，让您有心情。

注意：我非常怀疑这是否适用于由 3 条规则组成的规则集，对于 GA 来说不够广度。