遗传算法 - 适应度函数
genetic algorithm - fitness function
我正在努力研究遗传算法和神经网络，并且在网上看过几个视频。其中一些是像鼠标搜索奶酪一样的寻路算法。
适应度函数为每只小鼠提供一种分数，以评估它们的表现。在一个空荡荡的房间里，老鼠到奶酪的距离可以很好地指示健康分数，因为它们可以 "see" 奶酪并且必须学会去那里。但是，在一个满是盒子的房间里，什么会是一个很好的健身功能吗？距离会假设他们知道朝哪个方向走，因为如果我给那些减少距离的人打分，那么最终所有的老鼠都会朝那个方向走……如果我把奶酪移到另一个地方，他们就会发疯。 .. 只是他们移动的距离也不好，因为绕圈子的人得分高...
这个问题的适合度函数是什么？
您确定您没有将遗传算法与传统寻路算法混合使用吗？两者都有某种健身功能。在寻路的情况下，"heuristic" 通常就是它的名字。对于这些算法，"fitness" 必须 假设 在执行算法时使用（或更像是加速算法）。
实际遗传算法中的适应度函数是相对精确的，但那是因为它通常更像是一种评估。
例如，您使用当前值执行模拟并计算鼠标找到奶酪所需的时间。行进的时间或距离是逆适应度（逆是因为数字越大意味着适应度越低）。
如果适应度比之前的运行更好，您可以使用略有不同的设置（通过突变、随机性等生成）来分支新的模拟，并每次评估什么提高了适应度，什么没有提高（-> 适者生存）。如果适应性更差，请放弃此分支（或者可能仅在每 XX 次遇到不良分支时保留它；"possibly it is on a good way"）。
大概需要多少步才能拿到奶酪？
请注意，您的问题已通过 A* algorithm which is not evolutionary. It does use an heuristic 得到经典解决，以提示位置有多好。
然而，适应度函数应该旨在优化您的最终结果，但您不一定需要事先获得它的 "correct" 或 "best" 值。只需找到您知道在 "the more the better" 或 "the less the better" 基础上有效的东西。
我正在努力研究遗传算法和神经网络，并且在网上看过几个视频。其中一些是像鼠标搜索奶酪一样的寻路算法。
适应度函数为每只小鼠提供一种分数，以评估它们的表现。在一个空荡荡的房间里，老鼠到奶酪的距离可以很好地指示健康分数，因为它们可以 "see" 奶酪并且必须学会去那里。但是，在一个满是盒子的房间里，什么会是一个很好的健身功能吗？距离会假设他们知道朝哪个方向走，因为如果我给那些减少距离的人打分，那么最终所有的老鼠都会朝那个方向走……如果我把奶酪移到另一个地方，他们就会发疯。 .. 只是他们移动的距离也不好，因为绕圈子的人得分高...
这个问题的适合度函数是什么？
您确定您没有将遗传算法与传统寻路算法混合使用吗？两者都有某种健身功能。在寻路的情况下，"heuristic" 通常就是它的名字。对于这些算法，"fitness" 必须 假设 在执行算法时使用（或更像是加速算法）。
实际遗传算法中的适应度函数是相对精确的，但那是因为它通常更像是一种评估。 例如，您使用当前值执行模拟并计算鼠标找到奶酪所需的时间。行进的时间或距离是逆适应度（逆是因为数字越大意味着适应度越低）。 如果适应度比之前的运行更好，您可以使用略有不同的设置（通过突变、随机性等生成）来分支新的模拟，并每次评估什么提高了适应度，什么没有提高（-> 适者生存）。如果适应性更差，请放弃此分支（或者可能仅在每 XX 次遇到不良分支时保留它；"possibly it is on a good way"）。
大概需要多少步才能拿到奶酪？
请注意，您的问题已通过 A* algorithm which is not evolutionary. It does use an heuristic 得到经典解决，以提示位置有多好。
然而，适应度函数应该旨在优化您的最终结果，但您不一定需要事先获得它的 "correct" 或 "best" 值。只需找到您知道在 "the more the better" 或 "the less the better" 基础上有效的东西。