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。

我是一个研究使用进化计算(EC)来自动修复现有程序中的错误的团队的成员。我们已经在现实世界的软件项目中成功地修复了一些真实的错误(参见本项目的主页)。

这种EC修复技术有两种应用。

The first (code and reproduction information available through the project page) evolves the abstract syntax trees parsed from existing C programs and is implemented in Ocaml using our own custom EC engine. The second (code and reproduction information available through the project page), my personal contribution to the project, evolves the x86 assembly or Java byte code compiled from programs written in a number of programming languages. This application is implemented in Clojure and also uses its own custom built EC engine.

进化计算的一个优点是技术的简单性，使得编写自己的自定义实现不太困难。有关遗传规划的一个很好的免费的介绍性文本，请参阅遗传规划的现场指南。

没有家庭作业。

1995年，我作为专业程序员的第一份工作是为标准普尔500指数期货编写一个基于遗传算法的自动交易系统。该应用程序是用Visual Basic 3 [!我不知道我当时是怎么做的，因为VB3甚至没有课程。

The application started with a population of randomly-generated fixed-length strings (the "gene" part), each of which corresponded to a specific shape in the minute-by-minute price data of the S&P500 futures, as well as a specific order (buy or sell) and stop-loss and stop-profit amounts. Each string (or "gene") had its profit performance evaluated by a run through 3 years of historical data; whenever the specified "shape" matched the historical data, I assumed the corresponding buy or sell order and evaluated the trade's result. I added the caveat that each gene started with a fixed amount of money and could thus potentially go broke and be removed from the gene pool entirely.

在对种群的每一次评估之后，幸存者被随机杂交(通过混合来自两个亲本的片段)，一个基因被选择为亲本的可能性与它产生的利润成正比。我还添加了点突变的可能性，让事情变得有趣一点。经过几百代这样的基因，我最终得到了一个基因群，它可以把5000美元变成平均约10000美元，而且没有死亡/破碎的可能性(当然是在历史数据上)。

Unfortunately, I never got the chance to use this system live, since my boss lost close to $100,000 in less than 3 months trading the traditional way, and he lost his willingness to continue with the project. In retrospect, I think the system would have made huge profits - not because I was necessarily doing anything right, but because the population of genes that I produced happened to be biased towards buy orders (as opposed to sell orders) by about a 5:1 ratio. And as we know with our 20/20 hindsight, the market went up a bit after 1995.

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。

As part of my thesis I wrote a generic java framework for the multi-objective optimisation algorithm mPOEMS (Multiobjective prototype optimization with evolved improvement steps), which is a GA using evolutionary concepts. It is generic in a way that all problem-independent parts have been separated from the problem-dependent parts, and an interface is povided to use the framework with only adding the problem-dependent parts. Thus one who wants to use the algorithm does not have to begin from zero, and it facilitates work a lot.

你可以在这里找到代码。

你可以用这个算法找到的解决方案已经在科学工作中与最先进的算法SPEA-2和NSGA进行了比较，并且已经证明 算法的性能相当，甚至更好，这取决于您用来衡量性能的指标，特别是取决于您正在关注的优化问题。

你可以在这里找到它。

同样，作为我的论文和工作证明的一部分，我将这个框架应用于项目组合管理中的项目选择问题。它是关于选择对公司增加最大价值的项目，支持公司的战略或支持任何其他任意目标。例如，从特定类别中选择一定数量的项目，或最大化项目协同作用，……

我的论文将该框架应用于项目选择问题: http://www.ub.tuwien.ac.at/dipl/2008/AC05038968.pdf

之后，我在一家财富500强公司的投资组合管理部门工作，在那里他们使用了一种商业软件，该软件还将GA应用于项目选择问题/投资组合优化。

更多资源:

框架文档: http://thomaskremmel.com/mpoems/mpoems_in_java_documentation.pdf

mPOEMS演示论文: http://portal.acm.org/citation.cfm?id=1792634.1792653

实际上，只要有一点热情，每个人都可以很容易地将通用框架的代码适应任意的多目标优化问题。