Simulasi Titik menggunakan Algoritma Genetik - Bahagian 2

Tutorial ini mempertingkatkan simulasi algoritma genetik dengan menambahkan ciri seperti penonjolan elit, peningkatan kerumitan halangan, pembilang "Dicapai" dan pembiakan silang. Mari kita pecahkan penambahbaikan.

Bahagian 1: Penambahbaikan Visual dan Kerumitan Halangan

Simulasi dinaik taraf untuk membezakan titik elit secara visual (yang menunjukkan prestasi terbaik dalam generasi sebelumnya) dengan mewarnakannya dengan warna biru. Ini dicapai dengan menambahkan is_elite parameter boolean pada Dot kaedah draw kelas dan menggunakan warna biru secara bersyarat. Kaedah Population kelas draw diubah suai untuk menghantar boolean ini berdasarkan sama ada titik berada dalam senarai elites.

Penjanaan halangan difaktorkan semula untuk lebih fleksibiliti. Kelas Obstacle dan Goal dialihkan ke fail obstacles.py yang berasingan, mempromosikan organisasi kod yang lebih bersih. Fail constants.py diperkenalkan untuk menyimpan pembolehubah global seperti dimensi skrin dan saiz populasi, mencegah lebihan merentas fail. Konfigurasi berbilang halangan (OBSTACLES0, OBSTACLES1, OBSTACLES2, OBSTACLES3, OBSTACLES4, OBSTACLES5) ditakrifkan dalam obstacles.py, membolehkan penukaran mudah antara tahap cabaran yang berbeza. Skrip utama mengimport konfigurasi ini dan memilih yang dikehendaki. Semakan ditambahkan untuk memastikan matlamat sentiasa ada, walaupun semasa menggunakan senarai halangan yang dijana melalui pemahaman senarai (seperti OBSTACLES4).

Kaunter "Dicapai" ditambahkan untuk memaparkan bilangan titik yang berjaya mencapai matlamat dalam generasi sebelumnya. Ini dilaksanakan dengan mengubah suai kaedah generate_next_generation dalam kelas Population untuk mengira dan mengembalikan nilai ini. Gelung utama kemudian memaparkan kiraan ini pada skrin.

Simulasi dengan golongan elit diserlahkan dan halangan

Simulasi berjalan OBSTACLES0 halangan

Bahagian 2: Melaksanakan Crossover Satu Titik

Peralihan simulasi daripada replikasi kepada persilangan titik tunggal untuk penjanaan anak. Kaedah kelas crossover ditambahkan pada kelas Dot. Kaedah ini mengambil dua titik induk sebagai input, memilih titik silang rawak dan mencipta dua anak dengan menggabungkan bahagian urutan pergerakan setiap ibu bapa (diwakili sebagai senarai vektor arah). Kaedah generate_next_generation dikemas kini untuk menggunakan kaedah silang silang ini, menghasilkan pasangan anak dan bukannya klon tunggal. Mutasi terus dikenakan pada keturunan.

Penyilang satu mata

Simulasi yang dipertingkatkan menawarkan visualisasi yang dipertingkatkan, kesukaran boleh laras dan mekanisme pembiakan yang lebih canggih, menjadikannya contoh algoritma genetik yang lebih mantap dan berwawasan. Penambahbaikan masa depan yang dinyatakan termasuk fungsi simpan/muat dan pengoptimuman kelajuan. Penulis juga menggalakkan menyertai komuniti Discord mereka untuk kerjasama selanjutnya.

Atas ialah kandungan terperinci Simulasi Titik menggunakan Algoritma Genetik - Bahagian 2. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!