Go語言中怎么實現一個遺傳算法

這期內容當中小編將會給大家帶來有關Go語言中怎么實現一個遺傳算法，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

Go語言堅決擁護組合(composition)，同時也很反對繼承的做法，在網絡上引起了強烈的討論，同時也讓人們重新思考了語言該往哪個方向發展。所以，從這個角度來看，Go語言與其它語言的差別可能也沒有那么大。

本文將重點介紹如何用Go語言實現遺傳算法。如果你還沒有參加過GoLang Tour，我還建議你快速看一下這門語言的介紹。

話不多說，讓我們開始從代碼說起吧!***個例子與我以前做過的很類似：找到一個二次的最小值。

type GeneticAlgorithmSettings struct {   PopulationSize int   MutationRate int   CrossoverRate int   NumGenerations int   KeepBestAcrossPopulation bool }  type GeneticAlgorithmRunner interface {   GenerateInitialPopulation(populationSize int) []interface{}   PerformCrossover(individual1, individual2 interface{}, mutationRate int) interface{}   PerformMutation(individual interface{}) interface{}   Sort([]interface{}) }

我立馬定義了一組設置，以便在稍后啟動的算法中用到。

第二部分的GeneticAlgorithmRunner這個看起來有點奇怪。GeneticAlgorithmRunner是一個接口，詢問如何生成初始種群，執行corssovers和mutataions，并對答案進行排序，以便在Population中保持***的個體，這樣下一代才會更加優秀。我認為這看起來很奇怪，因為“接口”通常用于面向對象的語言，通常會要求對象實現某些特性和方法。這里沒有什么差別。這一小段代碼實際上是在說，它正在請求一些東西來定義這些方法的細節。我是這樣做的:

type QuadraticGA struct {}  func (l QuadraticGA) GenerateInitialPopulation(populationSize int) []interface{}{   initialPopulation := make([]interface{}, 0, populationSize)   for i:= 0; i < populationSize; i++ {     initialPopulation = append(initialPopulation, makeNewEntry())   }   return initialPopulation }  func (l QuadraticGA) PerformCrossover(result1, result2 interface{}, _ int) interface{}{   return (result1.(float64) + result2.(float64)) / 2 }  func (l QuadraticGA) PerformMutation(_ interface{}, _ int) interface{}{   return makeNewEntry() }  func (l QuadraticGA) Sort(population []interface{}){   sort.Slice(population, func(i, j int) bool {     return calculate(population[i].(float64)) > calculate(population[j].(float64))   }) }

更奇怪的是，我從來沒有提到過這些方法的接口。請記住，因為沒有對象，也沒有繼承。QuadraticGA結構體是一個空白對象，隱式地作為GeneticAlgorithmRunner。每個必需的方法都在括號中綁定到該結構體，就像Java中的“@  override”。現在，結構體和設置需要傳遞給運行該算法的模塊。

settings := ga.GeneticAlgorithmSettings{    PopulationSize: 5,    MutationRate: 10,    CrossoverRate: 100,    NumGenerations: 20,    KeepBestAcrossPopulation: true, }  best, err := ga.Run(QuadraticGA{}, settings)  if err != nil {    println(err) }else{    fmt.Printf("Best: x: %f  y: %f\n", best, calculate(best.(float64))) }

很簡單,對吧?“QuadraticGA  {}”只是簡單地創建了該結構的一個新實例，其余的則由Run()方法完成。該方法返回搜索結果和發生的任何錯誤，因為Go不相信try /  catch——另一場戰爭作者采取了嚴格的設計立場。

現在來計算每個項的性能，以求二次函數求出的二次函數來求出一個新的X值的方法:

func makeNewEntry() float64 {    return highRange * rand.Float64() }  func calculate(x float64) float64 {    return  math.Pow(x, 2) - 6*x + 2 // minimum should be at x=3 }

既然已經為二次實現創建了接口，那么GA本身需要完成:

func Run(geneticAlgoRunner GeneticAlgorithmRunner, settings GeneticAlgorithmSettings) (interface{}, error){     population := geneticAlgoRunner.GenerateInitialPopulation(settings.PopulationSize)     geneticAlgoRunner.Sort(population)     bestSoFar := population[len(population) - 1]     for i:= 0; i < settings.NumGenerations; i++ {        newPopulation := make([]interface{}, 0, settings.PopulationSize)        if settings.KeepBestAcrossPopulation {          newPopulation = append(newPopulation, bestSoFar)       }        // perform crossovers with random selection       probabilisticListOfPerformers := createStochasticProbableListOfIndividuals(population)        newPopIndex := 0       if settings.KeepBestAcrossPopulation{          newPopIndex = 1       }       for ; newPopIndex < settings.PopulationSize; newPopIndex++ {          indexSelection1 := rand.Int() % len(probabilisticListOfPerformers)          indexSelection2 := rand.Int() % len(probabilisticListOfPerformers)           // crossover          newIndividual := geneticAlgoRunner.PerformCrossover(             probabilisticListOfPerformers[indexSelection1],             probabilisticListOfPerformers[indexSelection2], settings.CrossoverRate)           // mutate          if rand.Intn(101) < settings.MutationRate {             newIndividual = geneticAlgoRunner.PerformMutation(newIndividual)          }           newPopulation = append(newPopulation, newIndividual)       }        population = newPopulation        // sort by performance       geneticAlgoRunner.Sort(population)        // keep the best so far       bestSoFar = population[len(population) - 1]     }     return bestSoFar, nil }  func createStochasticProbableListOfIndividuals(population []interface{}) []interface{} {     totalCount, populationLength:= 0, len(population)    for j:= 0; j < populationLength; j++ {       totalCount += j    }     probableIndividuals := make([]interface{}, 0, totalCount)    for index, individual := range population {       for i:= 0; i < index; i++{          probableIndividuals = append(probableIndividuals, individual)       }    }     return probableIndividuals }

很像以前，一個新的人口被創造出來，人口的成員將會世代交配，而他們的后代可能攜帶突變。一個人的表現越好，就越有可能交配。隨著時間的推移，算法收斂到***的答案，或者至少是一個相當不錯的答案。

那么當它運行時，它返回了什么呢?

Best: x: 3.072833 y: -6.994695

不壞!由于人口規模只有5、20代，而且輸入的范圍被限制在[0 100]，這一搜索就釘在了頂點上。

現在，您可能想知道為什么我定義了所有的接口方法來返回“接口{}”。這就像Go和generics一樣。沒有對象，因此沒有對象類型返回，但是沒有描述的大小的數據仍然可以在堆棧上傳遞。這本質上也是這個返回類型的含義:它傳遞一些已知的和類似的類型的對象。有了這個“泛型”，我就可以將GA移動到它自己的包中，并將相同的代碼移到多個不同類型的數據上。

我們有兩個輸入的3D二次方程，而不是一個二維二次方程的單個輸入。接口方法只需要很小的改變:

type Quad3D struct {    x, y float64 } func makeNewQuadEntry(newX, newY float64) Quad3D {    return Quad3D{       x: newX,       y: newY,    } }  func calculate3D(entry Quad3D) float64 {    return math.Pow(entry.x, 2)- 6 * entry.x + math.Pow(entry.y, 2)- 6 * entry.y + 2 }  type Quadratic3dGA struct { }  func (l Quadratic3dGA) GenerateInitialPopulation(populationSize int)[]interface{}{     initialPopulation := make([]interface{}, 0, populationSize)    for i:= 0; i < populationSize; i++ { initialPopulation = append(initialPopulation, makeNewQuadEntry(makeNewEntry(), makeNewEntry())) } return initialPopulation } func (l Quadratic3dGA) PerformCrossover(result1, result2 interface{}, mutationRate int) interface{}{ r1Entry, r2Entry := result1.(Quad3D), result2.(Quad3D) return makeNewQuadEntry((r1Entry.x + r2Entry.x) / 2, (r1Entry.y + r2Entry.y) / 2,) } func (l Quadratic3dGA) PerformMutation(_ interface{}) interface{}{ return makeNewQuadEntry(makeNewEntry(), makeNewEntry()) } func (l Quadratic3dGA) Sort(population []interface{}){ sort.Slice(population, func(i, j int) bool { return calculate3D(population[i].(Quad3D)) > calculate3D(population[j].(Quad3D))    }) }  func quadratic3dMain(){    settings := ga.GeneticAlgorithmSettings{       PopulationSize: 25,       MutationRate: 10,       CrossoverRate: 100,       NumGenerations: 20,       KeepBestAcrossPopulation: true,    }     best, err := ga.Run(Quadratic3dGA{}, settings)    entry := best.(Quad3D)     if err != nil {       println(err)    }else{       fmt.Printf("Best: x: %f  y: %f  z: %f\n", entry.x, entry.y, calculate3D(entry))    } }

而不是到處都是float64s，任何地方都可以通過Quad3D的條目;每一個都有一個X和一個Y值。對于創建的每個條目，都使用contructor  makeNewQuadEntry創建。Run()方法中的代碼都沒有更改。

當它運行時，我們得到這個輸出:

Best: x: 3.891671 y: 4.554884 z: -12.787259

很接近了!

哦，我忘了說走快了!在Java中執行此操作時，即使使用相同的設置，也會有明顯的等待時間。在一個相對較小的范圍內求解二次方程并不是很復雜，但它對一個人來說是值得注意的。

Go是本地編譯的，比如C。當二進制執行時，它似乎馬上就吐出一個答案。這里有一個簡單的方法來度量每次運行的執行時間:

func main() {    beforeQuadTime := time.Now()    quadraticMain()    afterQuadTime := time.Since(beforeQuadTime)    fmt.Printf("%d\n", afterQuadTime)     before3dQuadTime := time.Now()    quadratic3dMain()    after3dQuatTime := time.Since(before3dQuadTime)    fmt.Printf("%d\n", after3dQuatTime) }

邊注:我能說我很高興我們是一個開發者社區，讓他們從過去的錯誤中走出來，并把綜合的時間模塊和包構建成一種語言嗎?Java 8  +擁有它們，Python擁有它們，并擁有它們。這使我開心。

現在的輸出:

Best: x: 3.072833 y: -6.994695 136,876 Best: x: 3.891671 y: 4.554884 z: -12.787259 4,142,778

那“近乎瞬間”的感覺是我想要傳達的，現在我們有了很難的數字。136,876看起來很大，但要在納秒內報告時間。

重申一遍:納秒。不是幾毫秒，我們都習慣了在互聯網時代或者其他像Python和Java這樣的通用語言;納秒。1/1,000,000毫秒。

這意味著我們在不到一毫秒的時間里找到了一個使用遺傳算法來搜索答案的二次方程的答案。這句話，“該死的瞬間”似乎很合適，不是嗎?這包括打印到終端。

那么，要計算更密集的東西呢?在我展示一種尋找好的夢幻足球lineups的方法之前，我在Fanduel上使用。這包括從電子表格中讀取數據，制作和過濾lineups，并進行更復雜的交叉和突變。強制尋找***解決方案可能需要超過75,000年(至少使用我當時使用的Python)。

我不需要再檢查所有的細節，你可以自己去看代碼，但我會在這里顯示輸出:

Best: 121.409960:, $58100 QB: Aaron Rodgers - 23.777778 RB: Latavius Murray - 15.228571 RB: DeMarco Murray - 19.980000 WR: Kelvin Benjamin - 11.800000 WR: Stefon Diggs - 14.312500 WR: Alshon Jeffery - 9.888889 TE: Connor Hamlett - 8.200000 D: Philadelphia Eagles - 10.777778 K: Phil Dawson - 7.444444 16,010,182

上述就是小編為大家分享的Go語言中怎么實現一個遺傳算法了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。