本篇內(nèi)容介紹了“Go語言中如何實(shí)現(xiàn)一個(gè)遺傳算法”的有關(guān)知識(shí)，在實(shí)際案例的操作過程中，不少人都會(huì)遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

網(wǎng)站建設(shè)哪家好，找創(chuàng)新互聯(lián)建站！專注于網(wǎng)頁設(shè)計(jì)、網(wǎng)站建設(shè)、微信開發(fā)、成都微信小程序、集團(tuán)企業(yè)網(wǎng)站建設(shè)等服務(wù)項(xiàng)目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了沙雅免費(fèi)建站歡迎大家使用！

話不多說，讓我們開始從代碼說起吧!***個(gè)例子與我以前做過的很類似：找到一個(gè)二次的最小值。

type GeneticAlgorithmSettings struct {   PopulationSize int   MutationRate int   CrossoverRate int   NumGenerations int   KeepBestAcrossPopulation bool }  type GeneticAlgorithmRunner interface {   GenerateInitialPopulation(populationSize int) []interface{}   PerformCrossover(individual1, individual2 interface{}, mutationRate int) interface{}   PerformMutation(individual interface{}) interface{}   Sort([]interface{}) }

我立馬定義了一組設(shè)置，以便在稍后啟動(dòng)的算法中用到。

第二部分的GeneticAlgorithmRunner這個(gè)看起來有點(diǎn)奇怪。GeneticAlgorithmRunner是一個(gè)接口，詢問如何生成初始種群，執(zhí)行corssovers和mutataions，并對(duì)答案進(jìn)行排序，以便在Population中保持***的個(gè)體，這樣下一代才會(huì)更加優(yōu)秀。我認(rèn)為這看起來很奇怪，因?yàn)椤敖涌凇蓖ǔＳ糜诿嫦驅(qū)ο蟮恼Z言，通常會(huì)要求對(duì)象實(shí)現(xiàn)某些特性和方法。這里沒有什么差別。這一小段代碼實(shí)際上是在說，它正在請(qǐng)求一些東西來定義這些方法的細(xì)節(jié)。我是這樣做的:

type QuadraticGA struct {}  func (l QuadraticGA) GenerateInitialPopulation(populationSize int) []interface{}{   initialPopulation := make([]interface{}, 0, populationSize)   for i:= 0; i < populationSize; i++ {     initialPopulation = append(initialPopulation, makeNewEntry())   }   return initialPopulation }  func (l QuadraticGA) PerformCrossover(result1, result2 interface{}, _ int) interface{}{   return (result1.(float64) + result2.(float64)) / 2 }  func (l QuadraticGA) PerformMutation(_ interface{}, _ int) interface{}{   return makeNewEntry() }  func (l QuadraticGA) Sort(population []interface{}){   sort.Slice(population, func(i, j int) bool {     return calculate(population[i].(float64)) > calculate(population[j].(float64))   }) }

更奇怪的是，我從來沒有提到過這些方法的接口。請(qǐng)記住，因?yàn)闆]有對(duì)象，也沒有繼承。QuadraticGA結(jié)構(gòu)體是一個(gè)空白對(duì)象，隱式地作為GeneticAlgorithmRunner。每個(gè)必需的方法都在括號(hào)中綁定到該結(jié)構(gòu)體，就像Java中的“@  override”。現(xiàn)在，結(jié)構(gòu)體和設(shè)置需要傳遞給運(yùn)行該算法的模塊。

settings := ga.GeneticAlgorithmSettings{    PopulationSize: 5,    MutationRate: 10,    CrossoverRate: 100,    NumGenerations: 20,    KeepBestAcrossPopulation: true, }  best, err := ga.Run(QuadraticGA{}, settings)  if err != nil {    println(err) }else{    fmt.Printf("Best: x: %f  y: %f\n", best, calculate(best.(float64))) }

很簡單,對(duì)吧?“QuadraticGA  {}”只是簡單地創(chuàng)建了該結(jié)構(gòu)的一個(gè)新實(shí)例，其余的則由Run()方法完成。該方法返回搜索結(jié)果和發(fā)生的任何錯(cuò)誤，因?yàn)镚o不相信try /  catch——另一場(chǎng)戰(zhàn)爭(zhēng)作者采取了嚴(yán)格的設(shè)計(jì)立場(chǎng)。

現(xiàn)在來計(jì)算每個(gè)項(xiàng)的性能，以求二次函數(shù)求出的二次函數(shù)來求出一個(gè)新的X值的方法:

func makeNewEntry() float64 {    return highRange * rand.Float64() }  func calculate(x float64) float64 {    return  math.Pow(x, 2) - 6*x + 2 // minimum should be at x=3 }

既然已經(jīng)為二次實(shí)現(xiàn)創(chuàng)建了接口，那么GA本身需要完成:

func Run(geneticAlgoRunner GeneticAlgorithmRunner, settings GeneticAlgorithmSettings) (interface{}, error){     population := geneticAlgoRunner.GenerateInitialPopulation(settings.PopulationSize)     geneticAlgoRunner.Sort(population)     bestSoFar := population[len(population) - 1]     for i:= 0; i < settings.NumGenerations; i++ {        newPopulation := make([]interface{}, 0, settings.PopulationSize)        if settings.KeepBestAcrossPopulation {          newPopulation = append(newPopulation, bestSoFar)       }        // perform crossovers with random selection       probabilisticListOfPerformers := createStochasticProbableListOfIndividuals(population)        newPopIndex := 0       if settings.KeepBestAcrossPopulation{          newPopIndex = 1       }       for ; newPopIndex < settings.PopulationSize; newPopIndex++ {          indexSelection1 := rand.Int() % len(probabilisticListOfPerformers)          indexSelection2 := rand.Int() % len(probabilisticListOfPerformers)           // crossover          newIndividual := geneticAlgoRunner.PerformCrossover(             probabilisticListOfPerformers[indexSelection1],             probabilisticListOfPerformers[indexSelection2], settings.CrossoverRate)           // mutate          if rand.Intn(101) < settings.MutationRate {             newIndividual = geneticAlgoRunner.PerformMutation(newIndividual)          }           newPopulation = append(newPopulation, newIndividual)       }        population = newPopulation        // sort by performance       geneticAlgoRunner.Sort(population)        // keep the best so far       bestSoFar = population[len(population) - 1]     }     return bestSoFar, nil }  func createStochasticProbableListOfIndividuals(population []interface{}) []interface{} {     totalCount, populationLength:= 0, len(population)    for j:= 0; j < populationLength; j++ {       totalCount += j    }     probableIndividuals := make([]interface{}, 0, totalCount)    for index, individual := range population {       for i:= 0; i < index; i++{          probableIndividuals = append(probableIndividuals, individual)       }    }     return probableIndividuals }

很像以前，一個(gè)新的人口被創(chuàng)造出來，人口的成員將會(huì)世代交配，而他們的后代可能攜帶突變。一個(gè)人的表現(xiàn)越好，就越有可能交配。隨著時(shí)間的推移，算法收斂到***的答案，或者至少是一個(gè)相當(dāng)不錯(cuò)的答案。

那么當(dāng)它運(yùn)行時(shí)，它返回了什么呢?

Best: x: 3.072833 y: -6.994695

不壞!由于人口規(guī)模只有5、20代，而且輸入的范圍被限制在[0 100]，這一搜索就釘在了頂點(diǎn)上。

現(xiàn)在，您可能想知道為什么我定義了所有的接口方法來返回“接口{}”。這就像Go和generics一樣。沒有對(duì)象，因此沒有對(duì)象類型返回，但是沒有描述的大小的數(shù)據(jù)仍然可以在堆棧上傳遞。這本質(zhì)上也是這個(gè)返回類型的含義:它傳遞一些已知的和類似的類型的對(duì)象。有了這個(gè)“泛型”，我就可以將GA移動(dòng)到它自己的包中，并將相同的代碼移到多個(gè)不同類型的數(shù)據(jù)上。

我們有兩個(gè)輸入的3D二次方程，而不是一個(gè)二維二次方程的單個(gè)輸入。接口方法只需要很小的改變:

type Quad3D struct {    x, y float64 } func makeNewQuadEntry(newX, newY float64) Quad3D {    return Quad3D{       x: newX,       y: newY,    } }  func calculate3D(entry Quad3D) float64 {    return math.Pow(entry.x, 2)- 6 * entry.x + math.Pow(entry.y, 2)- 6 * entry.y + 2 }  type Quadratic3dGA struct { }  func (l Quadratic3dGA) GenerateInitialPopulation(populationSize int)[]interface{}{     initialPopulation := make([]interface{}, 0, populationSize)    for i:= 0; i < populationSize; i++ { initialPopulation = append(initialPopulation, makeNewQuadEntry(makeNewEntry(), makeNewEntry())) } return initialPopulation } func (l Quadratic3dGA) PerformCrossover(result1, result2 interface{}, mutationRate int) interface{}{ r1Entry, r2Entry := result1.(Quad3D), result2.(Quad3D) return makeNewQuadEntry((r1Entry.x + r2Entry.x) / 2, (r1Entry.y + r2Entry.y) / 2,) } func (l Quadratic3dGA) PerformMutation(_ interface{}) interface{}{ return makeNewQuadEntry(makeNewEntry(), makeNewEntry()) } func (l Quadratic3dGA) Sort(population []interface{}){ sort.Slice(population, func(i, j int) bool { return calculate3D(population[i].(Quad3D)) > calculate3D(population[j].(Quad3D))    }) }  func quadratic3dMain(){    settings := ga.GeneticAlgorithmSettings{       PopulationSize: 25,       MutationRate: 10,       CrossoverRate: 100,       NumGenerations: 20,       KeepBestAcrossPopulation: true,    }     best, err := ga.Run(Quadratic3dGA{}, settings)    entry := best.(Quad3D)     if err != nil {       println(err)    }else{       fmt.Printf("Best: x: %f  y: %f  z: %f\n", entry.x, entry.y, calculate3D(entry))    } }

而不是到處都是float64s，任何地方都可以通過Quad3D的條目;每一個(gè)都有一個(gè)X和一個(gè)Y值。對(duì)于創(chuàng)建的每個(gè)條目，都使用contructor  makeNewQuadEntry創(chuàng)建。Run()方法中的代碼都沒有更改。

當(dāng)它運(yùn)行時(shí)，我們得到這個(gè)輸出:

Best: x: 3.891671 y: 4.554884 z: -12.787259

很接近了!

哦，我忘了說走快了!在Java中執(zhí)行此操作時(shí)，即使使用相同的設(shè)置，也會(huì)有明顯的等待時(shí)間。在一個(gè)相對(duì)較小的范圍內(nèi)求解二次方程并不是很復(fù)雜，但它對(duì)一個(gè)人來說是值得注意的。

Go是本地編譯的，比如C。當(dāng)二進(jìn)制執(zhí)行時(shí)，它似乎馬上就吐出一個(gè)答案。這里有一個(gè)簡單的方法來度量每次運(yùn)行的執(zhí)行時(shí)間:

func main() {    beforeQuadTime := time.Now()    quadraticMain()    afterQuadTime := time.Since(beforeQuadTime)    fmt.Printf("%d\n", afterQuadTime)     before3dQuadTime := time.Now()    quadratic3dMain()    after3dQuatTime := time.Since(before3dQuadTime)    fmt.Printf("%d\n", after3dQuatTime) }

邊注:我能說我很高興我們是一個(gè)開發(fā)者社區(qū)，讓他們從過去的錯(cuò)誤中走出來，并把綜合的時(shí)間模塊和包構(gòu)建成一種語言嗎?Java 8  +擁有它們，Python擁有它們，并擁有它們。這使我開心。

現(xiàn)在的輸出:

Best: x: 3.072833 y: -6.994695 136,876 Best: x: 3.891671 y: 4.554884 z: -12.787259 4,142,778

那“近乎瞬間”的感覺是我想要傳達(dá)的，現(xiàn)在我們有了很難的數(shù)字。136,876看起來很大，但要在納秒內(nèi)報(bào)告時(shí)間。

重申一遍:納秒。不是幾毫秒，我們都習(xí)慣了在互聯(lián)網(wǎng)時(shí)代或者其他像Python和Java這樣的通用語言;納秒。1/1,000,000毫秒。

這意味著我們?cè)诓坏揭缓撩氲臅r(shí)間里找到了一個(gè)使用遺傳算法來搜索答案的二次方程的答案。這句話，“該死的瞬間”似乎很合適，不是嗎?這包括打印到終端。

那么，要計(jì)算更密集的東西呢?在我展示一種尋找好的夢(mèng)幻足球lineups的方法之前，我在Fanduel上使用。這包括從電子表格中讀取數(shù)據(jù)，制作和過濾lineups，并進(jìn)行更復(fù)雜的交叉和突變。強(qiáng)制尋找***解決方案可能需要超過75,000年(至少使用我當(dāng)時(shí)使用的Python)。

我不需要再檢查所有的細(xì)節(jié)，你可以自己去看代碼，但我會(huì)在這里顯示輸出:

Best: 121.409960:, $58100 QB: Aaron Rodgers - 23.777778 RB: Latavius Murray - 15.228571 RB: DeMarco Murray - 19.980000 WR: Kelvin Benjamin - 11.800000 WR: Stefon Diggs - 14.312500 WR: Alshon Jeffery - 9.888889 TE: Connor Hamlett - 8.200000 D: Philadelphia Eagles - 10.777778 K: Phil Dawson - 7.444444 16,010,182

“Go語言中如何實(shí)現(xiàn)一個(gè)遺傳算法”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注創(chuàng)新互聯(lián)網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！