我剛剛學習遺傳算法時，我被賦予了一項任務，設計一個遺傳算法，學習規則，預測如果一個人會投票是或否給出數據集。遺傳算法的製作
我一直在閱讀關於GA和GP的書籍和互聯網連續兩天。所以現在我理解了遺傳算法關於種羣管理，遺傳算子，適應度函數和與不同類型的交叉口罩交叉的概念。但是我仍然無法爲給定的數據集製作自己的GA。我只是沒有得到如何開始或與什麼，我有點絕望，因爲我覺得我愚蠢的這一點。
因此，任何幫助，如提示，提示或僞代碼，將不勝感激！
的給定的數據集如下（組）：
G1 | G2 | G3 | G4
A1 | B1 | C1 |無
A2 | B2 | C2 | D2
A3 | B3 | C3 | D3
A4 | B4 | C4 | D4
A5 | - | - | D5
那麼數據不是a，b，c's。他們是更長的東西，但我很懶惰，所以是：P - 意味着沒有更多的屬性。請注意，沒有一個屬性。 感謝任何幫助傢伙！
嗯，我不完全理解數據集的描述，所以我的回答是基於以下假設： 我們有一組屬性，比如n個不同的屬性。每個屬性都有一組不同的可能符號（=非數字）值，比如m（i）個不同的可能性。每個人都有相同的屬性，但其中一些可能缺失或無。
如果這些假設是正確的，一組屬性和可能的值不太高，那麼其中一個可能的工作：
如果這兩套都是非常小的，你可以有正維數組作爲個體/基因型。每個維度的大小都是m（i），這個結構的每個值都是yes/no的答案。這將是固定大小（比特）向量的泛化（=更多維度）。如何創建隨機/變異/交叉應該很容易。健身將會是多久才能做出好的預測。
如果它們比較大，那麼你需要更復雜的東西。一種可能性是有規則清單。每個規則可以是長度爲n + a是/否標誌的矢量。在矢量的每個位置上，您都可能有相關屬性的可能值。你也可以有一個快樂的小丑屬性接受一切。 解釋規則（p：person，r：規則）：如果p1 = r1且p2 = r2且... pn = rn，則結果是規則的標誌。 您必須評估規則，直到找到匹配的規則。你還需要一個默認值。 在這種情況下遺傳算子有點棘手，但我認爲如果您搜索可變長度編碼，您會發現一些東西。 我已經使用了類似的編碼（對於不同的問題），它工作正常。
說實話，我不是100％確定如果遺傳算法是這個問題的最佳選擇，特別是如果值不是符號，但數字。這似乎是一個模式匹配問題，爲此有更好的解決方案。我會尋找一些替代品，例如數字情況下的神經網絡。
感謝您的提示。 @Sandor數據集和前面的文章中描述的一樣大，我必須使用GA，因爲它是一個需求。所有的價值觀都是象徵性的，如果我明白你是正確的。例如G1包含諸如黑色，白色，棕色等人的顏色。該任務基於我以前在另一種情況下使用的先前數據集。該數據集的投票是/否，並且即時猜測，因爲在這個問題中沒有提到它，所以決定是否使用該分類取決於我。仍然不太確定如何解決這個問題，希望得到更具體的東西。 – Celly
首先，首先，您必須首先確定您想要用數據集解決的問題。您通常使用遺傳算法來處理非確定性問題：需要很長時間才能解決的問題，但是其答案很容易驗證。
所以第一個問題是：你的數據集代表什麼？
第二個問題：你想要解決什麼問題，是遺傳算法的一種擬合方法來解決你的問題？
無論如何，創建遺傳算法是通過以下步驟來完成：
p(c)和突變概率p(m)因此，您必須爲您的解決方案（例如位數或字符串數組）找到一個符號，以便您輕鬆地交換部分染色體。然後你必須確定交叉和變異操作。 如果您正在處理有序染色體，那麼取決於應用的交叉策略，您可能必須在之後修復染色體。有序染色體是一個染色體，其中的順序或基因很重要。如果你在代表旅行推銷員訪問的兩個解決方案上進行標準交叉，那麼你最終可能會染上一個染色體，他會訪問一些城市兩次或更多，而有些則根本沒有！
關於如何在遺傳算法中翻譯每個問題沒有明確的描述，因爲每個問題都不相同。上述步驟不會改變，但您可能需要引入幾種不同的交叉和變異操作來防止過早收斂。
您必須更具體地瞭解您的數據代表什麼，因爲我不知道。我的第一個猜測是，G1-G4是一個人的財產，但是它缺少一個說明該人是否投票的領域。在一個側面說明中，這並不是我稱之爲開始使用GAs的合適人選，這聽起來有點高級。 – Dukeling
我在人口中的每個基因組都像[決策樹]（http://en.wikipedia.org/wiki/Decision_tree）之前就已經看到了一種方法。這可能是一個起點。或者，這可能會使你**應該做的事情過分複雜化。 – Dukeling