这是一段时间以前的事了，但我滚动了一个GA来进化实际上是图像处理内核的东西，以从哈勃太空望远镜(HST)图像中去除宇宙射线痕迹。标准的方法是用哈勃望远镜进行多次曝光，只保留所有图像中相同的东西。由于HST时间是如此宝贵，我是一个天文学爱好者，最近参加了进化计算大会，我考虑使用GA来清理单次曝光。

这些个体以树的形式存在，以3x3像素的区域作为输入，执行一些计算，并决定是否以及如何修改中心像素。通过将输出图像与用传统方法(即叠加曝光)清理的图像进行比较来判断适合度。

这实际上是可行的，但还不足以让我们放弃原来的方法。如果我的论文没有时间限制，我可能已经扩展了算法可用的遗传部分。我很确定我可以大大提高它。

使用的库:如果我没记错的话，用于天文图像数据处理和I/O的IRAF和cfitsio。

我几周前做了这个有趣的小玩意。它生成有趣的互联网图像使用GA。有点傻，但很好笑。

http://www.twitterandom.info/GAFunny/

对此有一些见解。它是一些mysql表。一个用于图像列表及其评分(即适合度)，另一个用于子图像及其在页面上的位置。

子图像可以有几个细节，但不是全部实现:+大小，倾斜，旋转，+位置，+image_url。

当人们投票决定这张照片有多有趣时，它或多或少会流传到下一代。如果它存活下来，它会产生5-10个带有轻微突变的后代。目前还没有交叉。

进化计算研究生班: 开发了TopCoder马拉松比赛49:megpartty的解决方案。我的小组正在测试不同的域表示法，以及不同的表示法如何影响ga找到正确答案的能力。我们为这个问题编写了自己的代码。

Neuroevolution and Generative and Developmental Systems, Graduate Class: Developed an Othello game board evaluator that was used in the min-max tree of a computer player. The player was set to evaluate one-deep into the game, and trained to play against a greedy computer player that considered corners of vital importance. The training player saw either 3 or 4 deep (I'll need to look at my config files to answer, and they're on a different computer). The goal of the experiment was to compare Novelty Search to traditional, fitness-based search in the Game Board Evaluation domain. Results were relatively inconclusive, unfortunately. While both the novelty search and fitness-based search methods came to a solution (showing that Novelty Search can be used in the Othello domain), it was possible to have a solution to this domain with no hidden nodes. Apparently I didn't create a sufficiently competent trainer if a linear solution was available (and it was possible to have a solution right out of the gates). I believe my implementation of Fitness-based search produced solutions more quickly than my implementation of Novelty search, this time. (this isn't always the case). Either way, I used ANJI, "Another NEAT Java Implementation" for the neural network code, with various modifications. The Othello game I wrote myself.

As part of my undergraduate CompSci degree, we were assigned the problem of finding optimal jvm flags for the Jikes research virtual machine. This was evaluated using the Dicappo benchmark suite which returns a time to the console. I wrote a distributed gentic alogirthm that switched these flags to improve the runtime of the benchmark suite, although it took days to run to compensate for hardware jitter affecting the results. The only problem was I didn't properly learn about the compiler theory (which was the intent of the assignment).

我本可以用现有的默认标志来播种初始种群，但有趣的是，算法发现了一个与O3优化级别非常相似的配置(但实际上在许多测试中更快)。

编辑:我还用Python写了我自己的遗传算法框架，只是使用popen命令来运行各种基准测试，尽管如果不是评估作业，我会看看pyEvolve。

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。