入门指南

将以下内容添加到您的Cargo.toml

eviolite = "0.1"

然后继续阅读简单的示例，或者如果您不喜欢教程，请查看文档。

示例

我们将一步一步地查看一个完整的程序，该程序使用遗传算法找到近似正弦函数的多项式。这个程序相当短，但很好地展示了使用EvioLite的一般工作流程。

首先，我们将从EvioLite导入所有需要的项

use eviolite::prelude::*;

然后导入一些其他有用的东西

use ndarray::Array1;
use ndarray_rand::RandomExt;
use rand::distributions::Uniform;
use std::f64::consts::FRAC_PI_2;

定义我们的解决方案类型

#[derive(Clone)]
struct Polynomial(Array1<f64>);

此数组的元素将代表多项式a、b、c和d的系数。现在让我们定义一个方法来评估给定x的多项式。

impl Polynomial {
    fn apply(&self, x: f64) -> f64 {
        self.0[0]
        + self.0[1] * x
        + self.0[2] * x.powi(2)
        + self.0[3] * x.powi(3)
    }
}

接下来，我们将创建一个测试点的数组。由于评估我们的近似在每一个点上都需要很长时间，所以我们将使用100个在0和π/2之间的均匀分布的点。我们将使用lazy_static包装它，以便它可以在全局范围内访问。

lazy_static::lazy_static! {
    static ref TEST_POINTS: Array1<f64> = Array1::range(0., FRAC_PI_2, FRAC_PI_2 / 100.);
}

实现Solution

现在我们准备好实现Solution特质了

impl Solution for Polynomial {

首先，我们定义我们的适应度值类型。目前，我们将保持简单，并说一个好的近似值可以用一个单一的f64表示。

type Fitness = f64;

接下来，我们需要定义四个遗传算法原语：代、评估、交叉和变异。

代

Eviolite需要能够创建一个随机生成的个体群体，作为算法的起点。我们将使用来自random_using的方便方法ndarray-rand，使用Eviolite的可重复RNG生成四个介于0和1之间的随机f64数。这些数字将代表我们多项式a + bx + cx² + dx³中的系数a、b、c和d。

fn generate() -> Polynomial {
        Polynomial(Array1::random_using(4, Uniform::new_inclusive(0.0, 1.0), &mut thread_rng()))
}

评估

我们需要告诉算法给定多项式在近似sin方面有多好。我们将通过为每个测试点x评估我们的多项式，并取该值与sin(x)之间的绝对差异，然后计算所有这些差异的平均值，以获得所有测试点的平均误差。

fn evaluate(&self) -> f64 {
        -TEST_POINTS.mapv(
            |x| (self.apply(x) - x.sin()).abs()
        ).mean().unwrap()
}

遗传算法假设更高的适应度值是更好的，所以我们前面加了一个负号。

活动：考虑其他我们可以用来衡量这些近似适应度的方式！

交叉

如果你要将遗传算法与现实的选育过程进行比较，这部分就是繁殖的部分。我们需要混合两个多项式的系数，以便它们都从对方那里获取一些信息，同时保留一些自己的信息。我们将使用简单的单点交叉，这有一个内置方法。

fn crossover(a: &mut Self, b: &mut Self) {
        crossover::one_point(&mut a.0, &mut b.0);
}

变异

就像在现实生活中一样，这是“新想法”产生的地方。我们需要随机地稍微修改一个多项式。一种方法是向系数添加一些高斯噪声。幸运的是，这也有一个内置方法。我们将给每个系数一个50%的变异机会，并将标准差为0.1的噪声添加到被选中的变异系数中。

fn mutate(&mut self) {
        mutation::gaussian(&mut self.0, 0.5, 0.1);
}

就是这样！我们已经实现了Solution，这意味着Eviolite拥有了进化多项式以近似sin(x)所需的一切。现在我们可以编写我们的main()函数，并实际得到一个结果。

运行进化

让我们创建我们的 Evolution 实例。我们将使用 (μ + λ) 算法，并使用一些相对随意选择的参数。我们将传递一个 Tournament 选择器，该选择器将反复随机选择10个多项式并挑选出最好的。我们还将创建一个大小为1的 BestN 优胜者殿堂，它会自动追踪迄今为止找到的最佳多项式。最后，我们将在每25,000代后完全删除种群并生成一个全新的种群，以作为算法卡住的保险措施。在 main()

let evo: Evolution<Polynomial, _, _, ()> = Evolution::with_resets(
    alg::MuPlusLambda::new(
        // population size (μ)
        1000,
        // offspring size (λ)
        1000,
        // crossover chance (cxpb)
        0.5,
        // mutation chance (mutpb)
        0.2,
        // selection operator
        select::Tournament::new(10)
    ),

    hof::BestN::new(1),

    25000
);

活动：尝试调整这些参数，看看它们如何影响进化！

现在我们只需运行它！我们将让进化运行，直到找到所有测试点平均误差小于0.001的多项式。我们还将计时以供参考

let start = std::time::Instant::now();

let log = evo.run_until(
    |gen| -gen.hall_of_fame[0].evaluate() < 0.001
);

let time = start.elapsed();

.run_until() 接收有关运行当前状态的闭包信息，并决定是否停止它，所以我们只需检查我们看到的最佳解决方案的平均误差是否小于0.001。

let (best, _) = log.hall_of_fame[0].clone().into_inner();

println!("found in {:.3} secs: sin(x) ≈ {:.3} + {:.3}x + {:.3}x² + {:.3}x³",
    time.as_secs_f64(), best.0[0], best.0[1], best.0[2], best.0[3]
);

found in 3.982 secs: sin(x) ≈ 0.001 + 1.017x + -0.059x² + -0.118x³