유전자 알고리즘 염색체 생성

Question

데이타베이스에서 팀을 선택하는 시스템을 개발해야합니다. 유전자 알고리즘을 사용하여 플레이어를 나타내는 초기 인구 (염색체)를 일부 식별자로 얻을 수 있습니까? 각 식별자는 다양한 규칙 (팀 리더 등의 요구 사항)을 적용하는 데 사용되는 데이터베이스의 유전자를 가지고 있습니다.

이러한 시나리오에서 GA가 도움이됩니까?

Answer 1

예, 은 일 수 있습니다.

첫째, 진화 알고리즘은 개체의 유전자형으로 직접 작동합니다. 알고리즘에서 개인을 연결하기 위해 식별자를 사용한다고 명시하면 구현 세부 사항 (질문에는 쓸모 없다)과 오류가 단순히 나타나는 것입니다 (빠른 액세스를 위해 메모리에서 유전자형을로드해야 함).

문제는 간단한 조합 문제입니다. 우리가 크기 k의 팀을 형성하기 위해 가능한 주어진 선수 수에 대해, n!/(k! ⋅ (n - k)!) 조합의 합계가 가능합니다. 이것은 일반적으로 오늘날 컴퓨팅 리소스를 처리 할 수있는 가능성이 너무 많습니다. 진화 알고리즘은 분석 분해를 위해 너무 큰 주어진 함수의 최적화 또는 분석 분석이없는 경우에 최적화를 허용합니다.

이런 종류의 프로세스를 구현하는 방법에 대해 혼란스러워합니다. 첫째, 좋은 결과를 얻으려면 좋은 데이터 표현을 선택하는 것이 중요합니다. 먼저 최적화하려는 모든 특성과 성능에 대한 관계 및 교차 관계가 전체 성능에 영향을 미치는 지 여부를 명시해야합니다.

유전자 알고리즘은 너무 높거나 너무 가벼운 선택 단계를 처벌하지 않아 유전 적 다양성을 높게 유지해야합니다.

내가 말했던 분석은 순수하게 조합적인 견해에 대한 것이 었습니다. 상황이 중요한 팀의 관점에서 진화 알고리즘은 효율적이지 않습니다. 예를 들어 공격자가 3 명, 수비수가 2 명, 골키퍼가 필요한 경우 먼저 좋은 공격자의 특성에 따라 플레이어 목록을 세 번 정렬 한 다음 수비수와 최종 골키퍼로 정렬하여 최상의 요소를 취해야합니다 (정렬 후 첫 번째 요소)를 작성하여 팀을 구성하십시오. 이렇게하면 진화 알고리즘을 사용하는 것보다 더 빠른 방법으로 최적의 결과를 얻을 수 있습니다. 유전 알고리즘과 같은 진화 알고리즘은 게임의 메 커닉이나 최적의 플레이의 내부 동작을 모르는 경우 가장 중요합니다.

그럼에도 불구하고 유전 알고리즘을 사용하여 가능성과 한계를 파악하는 것이 좋습니다. 좋은 아이디어는 Python에서 deap 또는 pyevolve과 같은 간단한 언어로 간단한 프레임 워크로 시작하여 아이디어를 시도하는 것입니다.