genetic-algorithm-meta

此库是从genetic_algorithm中提取出来的，因此依赖于它。版本号保持同步，以表示兼容性。

对于基因型，一个有趣的事情是创建所有交配/突变/竞争策略和其他进化参数的元基因型。这可以用来优化某些其他遗传算法的参数。是的，简单的嵌套循环也会起作用，但那有什么乐趣呢？但我没有找到创建这种异质设置的高雅方法。曾尝试使用特质对象、Any和枚举，但都不太成功

• 由于基因型的其他特性和泛型，不允许基因型成为特质对象。
• Any可以工作，但你仍然需要事先知道所有可能的基因型来进行向下转换，这与灵活的目的相违背
• 枚举可以工作，但你仍然需要事先知道所有可能的基因型来进行封装，这与灵活的目的相违背

因此，经过一些考虑，我决定使用基于嵌套索引的基因型 MultiDiscreteGenotype<usize>，这些索引是外部任意类型向量的索引，应该在适应性函数中检索。每个外部向量只允许一种类型，因此交配/突变/竞争策略都有封装实现，将转发到底层类型（例如 CompeteTournament::new(4).into()）

目前实现为排列，但通过缓存，进化策略也可以用于较大的搜索空间。

文档

请参阅docs.rs

示例

使用cargo run --example [EXAMPLE_BASENAME] --release运行

• example/meta_evolve_binary cargo run --example meta_evolve_binary --release
• example/meta_evolve_milp cargo run --example meta_evolve_milp --release
• example/meta_evolve_monkeys cargo run --example meta_evolve_monkeys --release
• example/meta_evolve_nqueens cargo run --example meta_evolve_nqueens --release

快速使用

use genetic_algorithm::fitness::placeholders::CountTrue;
use genetic_algorithm::strategy::evolve::prelude::*;
use genetic_algorithm_meta::prelude::*;

let rounds = 10;
let target_population_sizes = vec![2, 4, 8];
let max_stale_generations_options = vec![Some(10)];
let max_chromosome_age_options = vec![Some(10)];
let target_fitness_score_options = vec![Some(0)];
let mutates = vec![
    MutateOnce::new(0.05).into(),
    MutateOnce::new(0.2).into(),
    MutateOnce::new(0.4).into(),
];
let crossovers = vec![
    CrossoverClone::new(true).into(),
    CrossoverSingleGene::new(false).into(),
    CrossoverSingleGene::new(true).into(),
    CrossoverSinglePoint::new(true).into(),
    CrossoverUniform::new(true).into(),
];
let competes = vec![
    CompeteElite::new().into(),
    CompeteTournament::new(3).into(),
    CompeteTournament::new(4).into(),
];
let extensions = vec![
    ExtensionNoop::new().into(),
    ExtensionMassExtinction::new(0.9, 0.1).into(),
    ExtensionMassGenesis::new(0.9).into(),
    ExtensionMassInvasion::new(0.9, 0.1).into(),
    ExtensionMassDegeneration::new(0.9, 10).into(),
];

let genotype = BinaryGenotype::builder()
    .with_genes_size(10)
    .build()
    .unwrap();
let fitness = CountTrue;
let evolve_builder = EvolveBuilder::new()
    .with_genotype(genotype)
    .with_fitness(fitness)
    .with_fitness_ordering(FitnessOrdering::Minimize);
let evolve_fitness_to_micro_second_factor = 1_000_000;

let config = MetaConfig::builder()
    .with_evolve_builder(evolve_builder)
    .with_evolve_fitness_to_micro_second_factor(evolve_fitness_to_micro_second_factor)
    .with_rounds(rounds)
    .with_target_population_sizes(target_population_sizes)
    .with_max_stale_generations_options(max_stale_generations_options)
    .with_max_chromosome_age_options(max_chromosome_age_options)
    .with_target_fitness_score_options(target_fitness_score_options)
    .with_mutates(mutates)
    .with_crossovers(crossovers)
    .with_competes(competes)
    .with_extensions(extensions)
    .build()
    .unwrap();

let permutate = MetaPermutate::new(&config).call();
println!();
println!("{}", permutate);

// meta-permutate population_size: 270

// [...]

// meta-permutate:
//   best_target_population_size: 2
//   best_max_stale_generations: Some(10)
//   best_max_chromosome_age: Some(10)
//   best_target_fitness_score: Some(0)
//   best_mutate: Some(Once(Once { mutation_probability: 0.4 }))
//   best_crossover: Some(Clone(Clone { keep_parent: true }))
//   best_compete: Some(Elite(Elite))
//   best_extension: Some(Noop(Noop))

测试

使用 cargo test 运行测试

问题