Haskell：抽象遗传算法

Question

我是 Haskell 编程世界的新手，正在尝试一种简单的遗传算法，以找到旅行商问题的良好解决方案。我将解决方案表示为整数的排列，所以我有这种类型的同义词算法

type Genome = [Int]

本身是一组对解决方案进行操作的函数：

mutation :: Genome -> Genome
selectParents :: [Genome] -> [Genome] -> [Genome]
crossover :: Genome -> Genome -> (Genome, Genome)
selectSurvivors :: [Genome] -> [Genome] -> [Genome]

我不确定我的代码有多少与我的问题相关，所以请询问是否有更多需要详细信息。值得一提的是，上面的类型签名实际上是简化的，我实际上使用 State monad 来携带 StdGen，因此所有这些函数实际上都返回有状态计算。

我想用这个做几件事，但无法完全理解。我希望能够为解决方案选择不同的表示形式，在我看来，这将是使用类型类的自然场所，因此 Genome 将是类型类，而 [Int] 此基因组的特定实例。

现在，我希望能够尝试这些实现，并且希望能够在其他项目中使用这些代码。使用这样的类型类将要求我创建的每个新算法都需要创建另一个 Genome 实例，这是创建库的好方法吗？

一个额外的问题，只是一直困扰我的一件事，有没有办法为函数创建类似类型同义词的东西，这样如果我正在编写一个将函数作为参数的函数，我可以编写同义词而不是整个类型函数的签名 ie 以便像下面这样的东西可以工作。

type someFunc = [Int] -> [Int] -> Int
someOtherFunc :: someFunc -> [Int] -> Int

是的，希望这是对问题的一个足够清晰的解释，感觉我错过了真正明显的答案，但它并没有跳到我身上。干杯

Answer 1

不幸的是，理想的解决方案通常取决于您的问题领域。 这篇博文讨论了类型类方法和按位方法。我个人认为，如果您想要灵活性，混合方法是最好的。如果有一个好的按位映射，您可以定义它，并从中派生实现，否则您可以手动实现交叉和变异。

ja的方法其实行不通。您的某些基因组功能将需要随机输入，您可以通过使用随机数生成器在状态 monad 中运行来获得随机输入 像这个线程

class Genome a where
    fitness :: a -> Int
    breed :: (RandomGen g, MonadState g m) => a -> a -> m a
    mutate :: (RandomGen g, MonadState g m) => a -> m a

然后你就有了在基因组上运行的通用函数，无论实现如何。

selectParents :: (Genome a, RandomGen g, MonadState g m) => [a] -> m [a]
selectSurvivors :: (Genome a, RandomGen g, MonadState g m) => [a] -> m [a]

如果您确实有良好的位映射，则可以在 BitArray 上定义固定函数（请注意，每个函数都必须将适应度函数作为参数）

breed :: (RandomGen g, MonadState g m) => BitArray -> BitArray -> m BitArray
mutate :: (RandomGen g, MonadState g m) => BitArray -> m BitArray
selectParents :: (RandomGen g, MonadState g m) => (BitArray -> Int) -> [BitArray] -> m [BitArray]
selectSurvivors :: (RandomGen g, MonadState g m) => (BitArray -> Int) -> [BitArray] -> m [BitArray]

Answer 2

是的，使用类型类来表示基因组是一个好方法。像这样的事情：

class Genome a where
   mutation :: a -> a
   selectParents :: [a] -> [a] -> [a]
   crossover :: a -> a -> (a, a)
   selectSurvivors :: [a] -> [a] -> [a]
instance Genome [a] where
   mutation l = l
   selectParents l1 l2 = l1
   crossover g1 g2 = (g1,g2)
   selectSurvivors l1 l2 = l1
data Tree a = Leaf a | Branch [Tree a]   
instance Genome (Tree a) where
   mutation t = t
   selectParents l1 l2 = l1
   crossover g1 g2 = (g1,g2)
   selectSurvivors l1 l2 = l1

至于为每个算法实例化一个新的数据类型，您可以在库中包含一些实例，但是实例化新的数据类型没有问题 - 这就是重点！