我做了一个完整的GA框架，命名为“GALAB”，解决了很多问题:

定位GSM ANTs (BTS)以减少重叠和空白位置。 资源约束项目调度。 进化图景的创造。(Evopic) 旅行推销员问题。 n -皇后和n -颜色问题。 骑士之旅和背包问题。 魔方和数独谜题。 字符串压缩，基于超字符串问题。 二维包装问题。 微型人工生命APP。 鲁比克难题。

Several years ago I used ga's to optimize asr (automatic speech recognition) grammars for better recognition rates. I started with fairly simple lists of choices (where the ga was testing combinations of possible terms for each slot) and worked my way up to more open and complex grammars. Fitness was determined by measuring separation between terms/sequences under a kind of phonetic distance function. I also experimented with making weakly equivalent variations on a grammar to find one that compiled to a more compact representation (in the end I went with a direct algorithm, and it drastically increased the size of the "language" that we could use in applications).

最近，我将它们用作默认假设，以此来测试由各种算法生成的解决方案的质量。这主要涉及分类和不同类型的拟合问题(即创建一个“规则”，解释审查员对数据集所做的一组选择)。

2004年1月，飞利浦新显示技术公司(Philips New Display Technologies)联系了我，他们正在为有史以来第一款商业电子墨水——索尼Librie——制造电子产品。索尼Librie只在日本上市，比亚马逊Kindle和其他电子墨水在美国和欧洲上市早了好几年。

飞利浦的工程师遇到了一个大问题。在产品上市的几个月前，他们在换页面时仍然会出现重影。问题是产生静电场的200个驱动器。每个驱动器都有一个特定的电压，必须设置在0到1000mv之间。但如果你改变其中一个，就会改变一切。

因此，单独优化每个驱动器的电压是不可能的。可能的值组合的数量以数十亿计，一个特殊的相机大约需要1分钟来评估一个组合。工程师们尝试了许多标准的优化技术，但都没有达到预期的效果。

首席工程师联系了我，因为我之前已经向开源社区发布了一个遗传编程库。他问全科医生/全科医生是否会帮忙，以及我是否能参与其中。我这样做了，在大约一个月的时间里，我们一起工作，我在合成数据上编写和调整GA库，他则将其集成到他们的系统中。然后，有一个周末，他们让它和真人一起直播。

接下来的周一，我收到了他和他们的硬件设计师发来的溢美之词，说没人会相信GA发现的惊人结果。就是这样。同年晚些时候，该产品上市了。

我没有为此得到一分钱，但我有“吹嘘”的权利。他们从一开始就说他们已经超出预算了，所以我在开始工作之前就知道是什么交易。这对于气体的应用是一个很好的例子。：）

在我的婚宴上，我使用GA来优化座位分配。80位客人超过10张桌子。评估功能是基于让人们和他们的约会对象在一起，把有共同点的人放在一起，把观点完全相反的人放在不同的桌子上。

我运行了几次。每次我都有九张好桌子，还有一张都是怪球。最后，我妻子安排了座位。

我的旅行推销员优化器使用了一种新的染色体到行程的映射，这使得繁殖和变异染色体变得很简单，没有产生无效行程的风险。

更新:因为一些人问了…

以任意但一致的顺序(如按字母顺序排列)的客人(或城市)数组开始。称之为参考溶液。把客人的座位号看作是他/她的座位号。

我们没有尝试直接在染色体中编码这种顺序，而是编码将参考溶液转化为新溶液的指令。具体来说，我们将染色体视为数组中要交换的索引列表。为了解码染色体，我们从参考溶液开始，并应用由染色体指示的所有交换。交换数组中的两个条目总是会得到一个有效的解决方案:每个来宾(或城市)仍然只出现一次。

因此，染色体可以随机生成，突变，并与其他染色体交叉，总是会产生有效的解决方案。

我年轻时就尝试过GA。我用Python写了一个模拟器，工作原理如下。

这些基因编码了神经网络的权重。

神经网络的输入是检测触摸的“天线”。较高的数值表示非常接近，0表示不接触。

输出是两个“轮子”。如果两个轮子都向前，这个人也向前。如果轮子方向相反，他就会转向。输出的强度决定了车轮转动的速度。

生成了一个简单的迷宫。这真的很简单，甚至很愚蠢。屏幕下方是起点，上方是球门，中间有四面墙。每面墙都有一个随机的空间，所以总是有一条路。

一开始我只是随机挑选一些人(我认为他们是bug)。只要有一个人达到了目标，或者达到了时间限制，就会计算适合度。它与当时到目标的距离成反比。

然后我把它们配对，“培育”它们来创造下一代。被选择繁殖的概率与它的适应性成正比。有时，这意味着如果一个人具有非常高的相对适应性，就会与自己反复繁殖。

I thought they would develop a "left wall hugging" behavior, but they always seemed to follow something less optimal. In every experiment, the bugs converged to a spiral pattern. They would spiral outward until they touched a wall to the right. They'd follow that, then when they got to the gap, they'd spiral down (away from the gap) and around. They would make a 270 degree turn to the left, then usually enter the gap. This would get them through a majority of the walls, and often to the goal.

我添加的一个功能是在基因中放入一个颜色矢量来跟踪个体之间的相关性。几代之后，它们的颜色都是一样的，这说明我应该有更好的繁殖策略。

我试着让他们制定更好的策略。我把神经网络复杂化了——增加了记忆和其他东西。这没有用。我总是看到同样的策略。

我尝试了各种方法，比如建立单独的基因库，在100代之后才重新组合。但没有什么能促使他们采取更好的策略。也许这是不可能的。

另一个有趣的事情是绘制适应度随时间变化的图表。有明确的模式，比如最大适合度在上升之前会下降。我从未见过一本进化论的书谈到这种可能性。

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。