我曾经使用一个GA来优化内存地址的哈希函数。这些地址的页面大小为4K或8K，因此它们在地址的位模式中显示出一定的可预测性(最低有效位全为0;最初的哈希函数是“粗笨的”——它倾向于每第三个哈希桶聚集一次命中。改进后的算法具有近乎完美的分布。

除了一些常见的问题，如《旅行推销员》和Roger Alsing的《蒙娜丽莎》程序的变体，我还编写了一个进化数独求解器(这需要我自己更多的原创想法，而不仅仅是重新实现别人的想法)。解决数独游戏有更可靠的算法，但进化方法效果相当好。

在过去的几天里，在Reddit上看到这篇文章后，我一直在玩一个进化程序来寻找扑克的“冷牌”。目前还不太令人满意，但我想我可以改进。

我有自己的进化算法框架。

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)。

我曾经使用一个GA来优化内存地址的哈希函数。这些地址的页面大小为4K或8K，因此它们在地址的位模式中显示出一定的可预测性(最低有效位全为0;最初的哈希函数是“粗笨的”——它倾向于每第三个哈希桶聚集一次命中。改进后的算法具有近乎完美的分布。

我开发了一个基于多线程摆动的模拟机器人导航通过一组随机网格地形的食物源和矿山，并开发了一个基于遗传算法的策略，探索机器人行为的优化和机器人染色体的适者生存基因。这是使用每个迭代周期的图表和映射来完成的。

从那以后，我发展了更多的游戏行为。我最近为自己构建的一个示例应用程序是一个遗传算法，用于解决在英国寻找路线时的旅行销售人员问题，考虑到起始和目标状态，以及一个/多个连接点，延误，取消，建筑工程，高峰时间，公共罢工，考虑最快和最便宜的路线。然后为某一天的路线提供一个平衡的建议。

一般来说，我的策略是使用基于POJO的基因表示，然后为选择、突变、交叉策略和标准点应用特定的接口实现。我的适应度函数就会变得非常复杂，这是基于我需要作为启发式测量应用的策略和标准。

我还研究了将遗传算法应用于代码中的自动化测试，使用系统突变周期，其中算法理解逻辑，并尝试确定带有代码修复建议的错误报告。基本上，这是一种优化我的代码并提供改进建议的方法，以及一种自动发现新编程代码的方法。我还尝试将遗传算法应用于音乐制作和其他应用。

一般来说，我发现进化策略就像大多数元启发式/全局优化策略一样，一开始学习很慢，但随着解决方案越来越接近目标状态，只要你的适应度函数和启发式很好地对齐，在你的搜索空间内产生收敛，它们就会开始学习。