遗传编程 - 适应度函数

Question

假设我有一组训练示例，其中 A_i 是一个属性，结果是二进制的（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。但这个问题到底是为了什么？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

我认为这里的困惑来自于这样一个事实：通常适应度函数会返回一些标量，有时是离散的标量，但从来不会是二进制的是/否（或真/假）。从这个意义上说，这看起来更像是用神经网络（或可能是贝叶斯逻辑）解决的“分类”问题。话虽如此，你当然可以设计一个遗传算法来进化任何类型的分类器，并且适应度函数基本上可以用总评估的正确分类来表达。

另一种纯粹的遗传算法方法（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，表示手头给定的候选解决方案有多少个是/否分类，等等。类似的方法可以在本文中找到：使用实值遗传：进化 R,de 集的算法
分类。

示例（编码的可能方法之一）：

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

以上所有内容都会转化为候选解决方案：

000001010-1/011001100-1/101111010-0

您将生成一组随机的解决方案，并通过测试适应性（规则集中的正确分类/总分类）以您喜欢的方式进化它们）整个规则集（在这里小心选择你的交叉策略！）。

我还建议您听一下二元独奏，让您进入心情。

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