我构建了一个简单的GA，用于在音乐播放时从频谱中提取有用的模式。输出用于驱动winamp插件中的图形效果。

输入:一些FFT帧(想象一个二维浮点数组) 输出:单个浮点值(输入的加权和)，阈值为0.0或1.0 基因:输入权重 适应度函数:占空比、脉宽、BPM在合理范围内的组合。

我将一些ga调整到频谱的不同部分以及不同的BPM限制，所以它们不会趋向于收敛到相同的模式。来自每个种群的前4个的输出被发送到渲染引擎。

一个有趣的副作用是，整个人群的平均健康状况是音乐变化的一个很好的指标，尽管通常需要4-5秒才能发现。

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。

我做了一些生活在这个小世界里的小动物。他们有一个神经网络大脑，从世界上接收一些输入，输出是其他行动的运动矢量。他们的大脑就是基因。

该项目从随机的动物群体开始，它们的大脑是随机的。输入和输出神经元是静止的，但中间的神经元不是。

环境中有食物和危险。食物可以增加能量，当你有足够的能量时，你就可以交配了。危险会降低能量，如果能量为0，他们就会死亡。

最终，这些生物进化到可以在世界各地移动，寻找食物和躲避危险。

于是我决定做一个小实验。我给这个生物的大脑一个输出神经元叫做“嘴”，一个输入神经元叫做“耳朵”。重新开始，惊讶地发现它们进化到最大化空间，每个生物都呆在各自的部分(食物是随机放置的)。他们学会了相互合作，不妨碍彼此。凡事总有例外。

然后我尝试了一些有趣的事情。死去的生物将成为食物。猜猜发生了什么事!进化出了两种生物，一种是成群攻击，另一种是高度回避。

那么这里的教训是什么呢?沟通意味着合作。一旦你引入了一个元素，即伤害他人意味着你获得了一些东西，那么合作就会被破坏。

我想知道这对自由市场和资本主义体系有何影响。我的意思是，如果企业可以伤害他们的竞争并侥幸逃脱，那么很明显，他们会尽其所能来伤害竞争。

编辑:

我用c++写的，没有使用框架。我自己写了神经网络和GA代码。埃里克，谢谢你这么说。人们通常不相信GA的力量(尽管其局限性很明显)，直到他们玩过它。GA很简单，但不过分简单化。

对于怀疑者来说，神经网络已经被证明能够模拟任何功能，只要它们有不止一层。遗传算法是一种非常简单的方法，可以在解空间中找到局部和全局最小值。将遗传算法与神经网络结合起来，你就有了一个很好的方法来寻找函数，为一般问题找到近似解。因为我们使用的是神经网络，所以我们是针对某些输入优化函数，而不是像其他人使用遗传算法那样对某个函数的某些输入进行优化

下面是生存示例的演示代码:http://www.mempko.com/darcs/neural/demos/eaters/ 建立产品说明:

安装darcs, libboost, liballegro, gcc, cmake, make Darcs克隆——懒惰http://www.mempko.com/darcs/neural/ cd神经 cmake。 使 cd演示/吃 吃。/

I used a simple genetic algorithm to optimize the signal to noise ratio of a wave that was represented as a binary string. By flipping the the bits certain ways over several million generations I was able to produce a transform that resulted in a higher signal to noise ratio of that wave. The algorithm could have also been "Simulated Annealing" but was not used in this case. At their core, genetic algorithms are simple, and this was about as simple of a use case that I have seen, so I didn't use a framework for generation creation and selection - only a random seed and the Signal-to-Noise Ratio function at hand.

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)。