我是一个研究使用进化计算(EC)来自动修复现有程序中的错误的团队的成员。我们已经在现实世界的软件项目中成功地修复了一些真实的错误(参见本项目的主页)。

这种EC修复技术有两种应用。

The first (code and reproduction information available through the project page) evolves the abstract syntax trees parsed from existing C programs and is implemented in Ocaml using our own custom EC engine. The second (code and reproduction information available through the project page), my personal contribution to the project, evolves the x86 assembly or Java byte code compiled from programs written in a number of programming languages. This application is implemented in Clojure and also uses its own custom built EC engine.

进化计算的一个优点是技术的简单性，使得编写自己的自定义实现不太困难。有关遗传规划的一个很好的免费的介绍性文本，请参阅遗传规划的现场指南。

我使用遗传算法(以及一些相关技术)来确定风险管理系统的最佳设置，该系统试图阻止淘金者使用偷来的信用卡来购买mmo游戏。该系统将接收数千笔具有“已知”值的交易(欺诈与否)，并找出最佳设置组合，以正确识别欺诈交易，而不会产生太多误报。

We had data on several dozen (boolean) characteristics of a transaction, each of which was given a value and totalled up. If the total was higher than a threshold, the transaction was fraud. The GA would create a large number of random sets of values, evaluate them against a corpus of known data, select the ones that scored the best (on both fraud detection and limiting the number of false positives), then cross breed the best few from each generation to produce a new generation of candidates. After a certain number of generations the best scoring set of values was deemed the winner.

创建用于测试的已知数据语料库是该系统的阿喀琉斯之踵。如果你等待退款，你在试图回应欺诈者时就会落后几个月，所以有人必须手动审查大量交易，以建立数据库，而不必等待太长时间。

这最终确定了绝大多数的欺诈行为，但在最容易欺诈的项目上，这一比例无法低于1%(考虑到90%的交易可能是欺诈，这已经相当不错了)。

我用perl完成了所有这些。在一个相当旧的linux机器上运行一次软件需要1-2个小时(20分钟通过WAN链路加载数据，其余时间用于处理)。任何给定代的大小都受到可用RAM的限制。我会一遍又一遍地运行它，稍微改变参数，寻找一个特别好的结果集。

总而言之，它避免了手动调整数十个欺诈指标的相对值所带来的一些失误，并且始终能够提出比我手动创建的更好的解决方案。AFAIK，它仍然在使用(大约3年后我写了它)。

我曾经尝试制作一个围棋电脑播放器，完全基于基因编程。每个程序都将被视为一系列动作的评估函数。即使是在一个相当小的3x4板上，制作的程序也不是很好。

我使用Perl，并自己编写了所有代码。我今天会做不同的事情。

在工作中，我遇到了这样一个问题:给定M个任务和N个dsp，如何将任务分配给dsp是最好的?“最佳”定义为“最大负载DSP的负载最小化”。有不同类型的任务，不同的任务类型有不同的性能分支，这取决于它们被分配到哪里，所以我将一组工作到dsp的分配编码为“DNA字符串”，然后使用遗传算法来“培育”我所能“培育”的最佳分配字符串。

它运行得相当好(比我之前的方法好得多，之前的方法是评估每个可能的组合……对于非平凡问题的大小，它将需要数年才能完成!)，唯一的问题是无法判断是否已经达到了最优解。你只能决定当前的“最大努力”是否足够好，或者让它运行更长时间，看看它是否可以做得更好。

我不知道家庭作业算不算…

在我学习期间，我们推出了自己的程序来解决旅行推销员问题。

我们的想法是对几个标准进行比较(映射问题的难度，性能等)，我们还使用了其他技术，如模拟退火。

它运行得很好，但我们花了一段时间来理解如何正确地进行“复制”阶段:将手头的问题建模成适合遗传编程的东西，这对我来说是最难的部分……

这是一门有趣的课程，因为我们也涉猎了神经网络之类的知识。

我想知道是否有人在“生产”代码中使用这种编程。

我为我的公司在1992年为货运业开发的3D激光表面轮廓系统开发了一个家庭酿造GA。 该系统依赖于三维三角测量，并使用了定制的激光线扫描仪，512x512相机(具有定制的捕获hw)。相机和激光之间的距离永远不会是精确的，相机的焦点也不会在你期望的256,256的位置找到!

尝试使用标准几何和模拟退火式方程求解来计算校准参数是一场噩梦。

遗传算法在一个晚上就完成了，我创建了一个校准立方体来测试它。我知道立方体的精度很高，因此我的想法是，我的遗传算法可以为每个扫描单元进化一组自定义三角测量参数，以克服生产变化。

这招很管用。退一步说，我简直目瞪口呆!在大约10代的时间里，我的“虚拟”立方体(由原始扫描生成并根据校准参数重新创建)实际上看起来像一个立方体!经过大约50代之后，我得到了我需要的校准。