在我的本科论文中，我使用遗传编程来开发用于空中搜索和救援的合作搜索策略。我使用一个名为NetLogo(基于StarLogo)的开源代理建模平台作为世界模型。NetLogo是用java写的，因此提供了java api -所以GP框架需要基于java -我使用的一个叫做JGAP，还有另一个开源GP框架在java中，我知道叫做ECJ。

模拟运行起来非常慢(我认为这是由于NetLogo模型)，所以我的功能/终端集非常有限，限制了搜索空间。尽管如此，我还是想出了一些很好的解决办法。如果你有这种冲动，你可以在我的论文http://www.cse.unsw.edu.au/~ekjo014/z3157867_Thesis.pdf的第三章读到

首先，Jonathan Koza的《遗传编程》(在亚马逊上)几乎是一本关于遗传和进化算法/编程技术的书，有很多例子。我强烈建议你去看看。

As for my own use of a genetic algorithm, I used a (home grown) genetic algorithm to evolve a swarm algorithm for an object collection/destruction scenario (practical purpose could have been clearing a minefield). Here is a link to the paper. The most interesting part of what I did was the multi-staged fitness function, which was a necessity since the simple fitness functions did not provide enough information for the genetic algorithm to sufficiently differentiate between members of the population.

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)。

当你打算粉刷你的房子时，通常很难得到一个确切的颜色组合。通常，你脑海中有一些颜色，但它不是其中一种颜色，供应商向你展示。

昨天，我的GA研究员教授提到了一个发生在德国的真实故事(对不起，我没有更多的参考资料，是的，如果有人要求我可以找到它)。这个家伙(让我们称他为配色员)曾经挨家挨户地帮助人们找到确切的颜色代码(RGB)，这将是客户心目中的衣柜。下面是他的做法:

The color guy used to carry with him a software program which used GA. He used to start with 4 different colors- each coded as a coded Chromosome (whose decoded value would be a RGB value). The consumer picks 1 of the 4 colors (Which is the closest to which he/she has in mind). The program would then assign the maximum fitness to that individual and move onto the next generation using mutation/crossover. The above steps would be repeated till the consumer had found the exact color and then color guy used to tell him the RGB combination!

通过将最大适应度分配给接近消费者想法的颜色，配色员的程序增加了收敛到消费者想法的颜色的机会。我发现它很有趣!

现在我已经得到了一个-1，如果你计划更多的-1，请说明这样做的原因!

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。

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。