人工智能笔记 - 仿生算法
仿生是模仿生物系统的功能和行为，来建造技术系统的一种科学方法
仿生算法通过大量演变来逼近结果，演变方法是自然法则：优胜劣汰，适者生存
仿生算法举例
遗传算法 （模拟生物进化）
蚁群算法 （模仿蚂蚁寻路）
人工神经网络
基因遗传算法
基因遗传算法是一种受达尔文自然进化理论启发的搜索启发式算法
该算法反应了自然选择的过程，其中选择最合适的个体进行繁殖以产生下一代的后代
组成
编码（初始化）
适应度函数
选择
交叉
变异
主要流程
随机生成初始群体
开始主循环（结束条件：迭代次数或适应度满足要求）
执行策略，计算当前群体中所有个体的适应度
从当前群体中，选择精英作为下一代的父母
将选出的精英父母配对
以极小概率将子代变异
将子代个体添加到新群体中
应用
函数优化，组合优化
优化是通过改变参数来最大化或最小化目标函数
所有可能解（参数值）的集合构成搜索空间
在这个搜索空间中，有一组点是最佳解决方案，优化的目的就是在搜索空间中找到这样的一组点
优缺点
优点：全局搜索性强，不容易停在局部最优点
缺点：
计算量较大
具有随机性，无法确保解决方案一定最优
拼图游戏
拼图的基因
如果把128个半透明三角形看作生物个体，样子就是由三角形决定的
每一个三角形可以看作基因，有着不同的属性
确定三角形的因素：
颜色
位置：三顶点坐标
透明度
随机初始化128个三角形
遗传和变异
通过父代繁衍新的子代
遗传
变异
遗传：
复制：基因复制
交叉：基因自由组合，交叉变换
遗传不会产生新形状
复制
目的：保留父代自身优良的基因
方式：将基因原封不动的复制给子代
交叉
将来自父母双方的基因组合在一起，得到新的子代
变异：
由基因突变产生新的基因
三角形的变异：完全随机变异或根据原有三角形进行稍微改变
适应度函数：判断个体是否应该被淘汰