Go語言如何實(shí)現(xiàn)遺傳算法
出于好玩的心態(tài)，我決定學(xué)習(xí)一下Go語言。我認(rèn)為學(xué)習(xí)新語言***的方法就是深入學(xué)習(xí)，并且盡可能多犯錯(cuò)誤。這樣做雖然可能會(huì)很慢，但是可以確保在后面的過程中再也不會(huì)出現(xiàn)編譯的錯(cuò)誤。
Go語言與我習(xí)慣的其他語言不同。Go更喜歡自己單獨(dú)實(shí)現(xiàn)，而其他像Java這類語言更喜歡繼承。其實(shí)在Go語言里面根本沒有繼承這種概念，因?yàn)樗鼔焊蜎]有對(duì)象這一說法。比如說C語言，它有結(jié)構(gòu)體，但是沒有類。但是這樣它還是可以有像“構(gòu)造者”這樣的常見思想和設(shè)計(jì)模式(一種在這種情況下有序地產(chǎn)生結(jié)構(gòu)體的方式)。
Go語言堅(jiān)決擁護(hù)組合(composition)，同時(shí)也很反對(duì)繼承的做法，在網(wǎng)絡(luò)上引起了強(qiáng)烈的討論，同時(shí)也讓人們重新思考了語言該往哪個(gè)方向發(fā)展。所以，從這個(gè)角度來看，Go語言與其它語言的差別可能也沒有那么大。
本文將重點(diǎn)介紹如何用Go語言實(shí)現(xiàn)遺傳算法。如果你還沒有參加過GoLang Tour，我還建議你快速看一下這門語言的介紹。
話不多說，讓我們開始從代碼說起吧!***個(gè)例子與我以前做過的很類似：找到一個(gè)二次的最小值。
- type GeneticAlgorithmSettings struct {
- PopulationSize int
- MutationRate int
- CrossoverRate int
- NumGenerations int
- KeepBestAcrossPopulation bool
- }
- type GeneticAlgorithmRunner interface {
- GenerateInitialPopulation(populationSize int) []interface{}
- PerformCrossover(individual1, individual2 interface{}, mutationRate int) interface{}
- PerformMutation(individual interface{}) interface{}
- Sort([]interface{})
- }
我立馬定義了一組設(shè)置，以便在稍后啟動(dòng)的算法中用到。
第二部分的GeneticAlgorithmRunner這個(gè)看起來有點(diǎn)奇怪。GeneticAlgorithmRunner是一個(gè)接口，詢問如何生成初始種群，執(zhí)行corssovers和mutataions，并對(duì)答案進(jìn)行排序，以便在Population中保持***的個(gè)體，這樣下一代才會(huì)更加優(yōu)秀。我認(rèn)為這看起來很奇怪，因?yàn)?ldquo;接口”通常用于面向?qū)ο蟮恼Z言，通常會(huì)要求對(duì)象實(shí)現(xiàn)某些特性和方法。這里沒有什么差別。這一小段代碼實(shí)際上是在說，它正在請(qǐng)求一些東西來定義這些方法的細(xì)節(jié)。我是這樣做的:
- type QuadraticGA struct {}
- func (l QuadraticGA) GenerateInitialPopulation(populationSize int) []interface{}{
- initialPopulation := make([]interface{}, 0, populationSize)
- for i:= 0; i < populationSize; i++ {
- initialPopulation = append(initialPopulation, makeNewEntry())
- }
- return initialPopulation
- }
- func (l QuadraticGA) PerformCrossover(result1, result2 interface{}, _ int) interface{}{
- return (result1.(float64) + result2.(float64)) / 2
- }
- func (l QuadraticGA) PerformMutation(_ interface{}, _ int) interface{}{
- return makeNewEntry()
- }
- func (l QuadraticGA) Sort(population []interface{}){
- sort.Slice(population, func(i, j int) bool {
- return calculate(population[i].(float64)) > calculate(population[j].(float64))
- })
- }
更奇怪的是，我從來沒有提到過這些方法的接口。請(qǐng)記住，因?yàn)闆]有對(duì)象，也沒有繼承。QuadraticGA結(jié)構(gòu)體是一個(gè)空白對(duì)象，隱式地作為GeneticAlgorithmRunner。每個(gè)必需的方法都在括號(hào)中綁定到該結(jié)構(gòu)體，就像Java中的“@ override”?，F(xiàn)在，結(jié)構(gòu)體和設(shè)置需要傳遞給運(yùn)行該算法的模塊。
- settings := ga.GeneticAlgorithmSettings{
- PopulationSize: 5,
- MutationRate: 10,
- CrossoverRate: 100,
- NumGenerations: 20,
- KeepBestAcrossPopulation: true,
- }
- best, err := ga.Run(QuadraticGA{}, settings)
- if err != nil {
- println(err)
- }else{
- fmt.Printf("Best: x: %f y: %f\n", best, calculate(best.(float64)))
- }
很簡單,對(duì)吧?“QuadraticGA {}”只是簡單地創(chuàng)建了該結(jié)構(gòu)的一個(gè)新實(shí)例，其余的則由Run()方法完成。該方法返回搜索結(jié)果和發(fā)生的任何錯(cuò)誤，因?yàn)镚o不相信try / catch——另一場戰(zhàn)爭作者采取了嚴(yán)格的設(shè)計(jì)立場。
現(xiàn)在來計(jì)算每個(gè)項(xiàng)的性能，以求二次函數(shù)求出的二次函數(shù)來求出一個(gè)新的X值的方法:
- func makeNewEntry() float64 {
- return highRange * rand.Float64()
- }
- func calculate(x float64) float64 {
- return math.Pow(x, 2) - 6*x + 2 // minimum should be at x=3
- }
既然已經(jīng)為二次實(shí)現(xiàn)創(chuàng)建了接口，那么GA本身需要完成:
- func Run(geneticAlgoRunner GeneticAlgorithmRunner, settings GeneticAlgorithmSettings) (interface{}, error){
- population := geneticAlgoRunner.GenerateInitialPopulation(settings.PopulationSize)
- geneticAlgoRunner.Sort(population)
- bestSoFar := population[len(population) - 1]
- for i:= 0; i < settings.NumGenerations; i++ {
- newPopulation := make([]interface{}, 0, settings.PopulationSize)
- if settings.KeepBestAcrossPopulation {
- newPopulation = append(newPopulation, bestSoFar)
- }
- // perform crossovers with random selection
- probabilisticListOfPerformers := createStochasticProbableListOfIndividuals(population)
- newPopIndex := 0
- if settings.KeepBestAcrossPopulation{
- newPopIndex = 1
- }
- for ; newPopIndex < settings.PopulationSize; newPopIndex++ {
- indexSelection1 := rand.Int() % len(probabilisticListOfPerformers)
- indexSelection2 := rand.Int() % len(probabilisticListOfPerformers)
- // crossover
- newIndividual := geneticAlgoRunner.PerformCrossover(
- probabilisticListOfPerformers[indexSelection1],
- probabilisticListOfPerformers[indexSelection2], settings.CrossoverRate)
- // mutate
- if rand.Intn(101) < settings.MutationRate {
- newIndividual = geneticAlgoRunner.PerformMutation(newIndividual)
- }
- newPopulation = append(newPopulation, newIndividual)
- }
- population = newPopulation
- // sort by performance
- geneticAlgoRunner.Sort(population)
- // keep the best so far
- bestSoFar = population[len(population) - 1]
- }
- return bestSoFar, nil
- }
- func createStochasticProbableListOfIndividuals(population []interface{}) []interface{} {
- totalCount, populationLength:= 0, len(population)
- for j:= 0; j < populationLength; j++ {
- totalCount += j
- }
- probableIndividuals := make([]interface{}, 0, totalCount)
- for index, individual := range population {
- for i:= 0; i < index; i++{
- probableIndividuals = append(probableIndividuals, individual)
- }
- }
- return probableIndividuals
- }
很像以前，一個(gè)新的人口被創(chuàng)造出來，人口的成員將會(huì)世代交配，而他們的后代可能攜帶突變。一個(gè)人的表現(xiàn)越好，就越有可能交配。隨著時(shí)間的推移，算法收斂到***的答案，或者至少是一個(gè)相當(dāng)不錯(cuò)的答案。
那么當(dāng)它運(yùn)行時(shí)，它返回了什么呢?
- Best: x: 3.072833 y: -6.994695
不壞!由于人口規(guī)模只有5、20代，而且輸入的范圍被限制在[0 100]，這一搜索就釘在了頂點(diǎn)上。
現(xiàn)在，您可能想知道為什么我定義了所有的接口方法來返回“接口{}”。這就像Go和generics一樣。沒有對(duì)象，因此沒有對(duì)象類型返回，但是沒有描述的大小的數(shù)據(jù)仍然可以在堆棧上傳遞。這本質(zhì)上也是這個(gè)返回類型的含義:它傳遞一些已知的和類似的類型的對(duì)象。有了這個(gè)“泛型”，我就可以將GA移動(dòng)到它自己的包中，并將相同的代碼移到多個(gè)不同類型的數(shù)據(jù)上。
我們有兩個(gè)輸入的3D二次方程，而不是一個(gè)二維二次方程的單個(gè)輸入。接口方法只需要很小的改變:
- type Quad3D struct {
- x, y float64
- }
- func makeNewQuadEntry(newX, newY float64) Quad3D {
- return Quad3D{
- x: newX,
- y: newY,
- }
- }
- func calculate3D(entry Quad3D) float64 {
- return math.Pow(entry.x, 2)- 6 * entry.x + math.Pow(entry.y, 2)- 6 * entry.y + 2
- }
- type Quadratic3dGA struct {
- }
- func (l Quadratic3dGA) GenerateInitialPopulation(populationSize int)[]interface{}{
- initialPopulation := make([]interface{}, 0, populationSize)
- for i:= 0; i < populationSize; i++ { initialPopulation = append(initialPopulation, makeNewQuadEntry(makeNewEntry(), makeNewEntry())) } return initialPopulation } func (l Quadratic3dGA) PerformCrossover(result1, result2 interface{}, mutationRate int) interface{}{ r1Entry, r2Entry := result1.(Quad3D), result2.(Quad3D) return makeNewQuadEntry((r1Entry.x + r2Entry.x) / 2, (r1Entry.y + r2Entry.y) / 2,) } func (l Quadratic3dGA) PerformMutation(_ interface{}) interface{}{ return makeNewQuadEntry(makeNewEntry(), makeNewEntry()) } func (l Quadratic3dGA) Sort(population []interface{}){ sort.Slice(population, func(i, j int) bool { return calculate3D(population[i].(Quad3D)) > calculate3D(population[j].(Quad3D))
- })
- }
- func quadratic3dMain(){
- settings := ga.GeneticAlgorithmSettings{
- PopulationSize: 25,
- MutationRate: 10,
- CrossoverRate: 100,
- NumGenerations: 20,
- KeepBestAcrossPopulation: true,
- }
- best, err := ga.Run(Quadratic3dGA{}, settings)
- entry := best.(Quad3D)
- if err != nil {
- println(err)
- }else{
- fmt.Printf("Best: x: %f y: %f z: %f\n", entry.x, entry.y, calculate3D(entry))
- }
- }
而不是到處都是float64s，任何地方都可以通過Quad3D的條目;每一個(gè)都有一個(gè)X和一個(gè)Y值。對(duì)于創(chuàng)建的每個(gè)條目，都使用contructor makeNewQuadEntry創(chuàng)建。Run()方法中的代碼都沒有更改。
當(dāng)它運(yùn)行時(shí)，我們得到這個(gè)輸出:
- Best: x: 3.891671 y: 4.554884 z: -12.787259
很接近了!
哦，我忘了說走快了!在Java中執(zhí)行此操作時(shí)，即使使用相同的設(shè)置，也會(huì)有明顯的等待時(shí)間。在一個(gè)相對(duì)較小的范圍內(nèi)求解二次方程并不是很復(fù)雜，但它對(duì)一個(gè)人來說是值得注意的。
Go是本地編譯的，比如C。當(dāng)二進(jìn)制執(zhí)行時(shí)，它似乎馬上就吐出一個(gè)答案。這里有一個(gè)簡單的方法來度量每次運(yùn)行的執(zhí)行時(shí)間:
- func main() {
- beforeQuadTime := time.Now()
- quadraticMain()
- afterQuadTime := time.Since(beforeQuadTime)
- fmt.Printf("%d\n", afterQuadTime)
- before3dQuadTime := time.Now()
- quadratic3dMain()
- after3dQuatTime := time.Since(before3dQuadTime)
- fmt.Printf("%d\n", after3dQuatTime)
- }
邊注:我能說我很高興我們是一個(gè)開發(fā)者社區(qū)，讓他們從過去的錯(cuò)誤中走出來，并把綜合的時(shí)間模塊和包構(gòu)建成一種語言嗎?Java 8 +擁有它們，Python擁有它們，并擁有它們。這使我開心。
現(xiàn)在的輸出:
- Best: x: 3.072833 y: -6.994695
- 136,876
- Best: x: 3.891671 y: 4.554884 z: -12.787259
- 4,142,778
那“近乎瞬間”的感覺是我想要傳達(dá)的，現(xiàn)在我們有了很難的數(shù)字。136,876看起來很大，但要在納秒內(nèi)報(bào)告時(shí)間。
重申一遍:納秒。不是幾毫秒，我們都習(xí)慣了在互聯(lián)網(wǎng)時(shí)代或者其他像Python和Java這樣的通用語言;納秒。1/1,000,000毫秒。
這意味著我們?cè)诓坏揭缓撩氲臅r(shí)間里找到了一個(gè)使用遺傳算法來搜索答案的二次方程的答案。這句話，“該死的瞬間”似乎很合適，不是嗎?這包括打印到終端。
那么，要計(jì)算更密集的東西呢?在我展示一種尋找好的夢幻足球lineups的方法之前，我在Fanduel上使用。這包括從電子表格中讀取數(shù)據(jù)，制作和過濾lineups，并進(jìn)行更復(fù)雜的交叉和突變。強(qiáng)制尋找***解決方案可能需要超過75,000年(至少使用我當(dāng)時(shí)使用的Python)。
我不需要再檢查所有的細(xì)節(jié)，你可以自己去看代碼，但我會(huì)在這里顯示輸出:
- Best: 121.409960:, $58100
- QB: Aaron Rodgers - 23.777778
- RB: Latavius Murray - 15.228571
- RB: DeMarco Murray - 19.980000
- WR: Kelvin Benjamin - 11.800000
- WR: Stefon Diggs - 14.312500
- WR: Alshon Jeffery - 9.888889
- TE: Connor Hamlett - 8.200000
- D: Philadelphia Eagles - 10.777778
- K: Phil Dawson - 7.444444
- 16,010,182
哦,是的!現(xiàn)在看來這是一個(gè)很好的陣容!它只需要16毫秒就能找到。
現(xiàn)在，這個(gè)遺傳算法可以改進(jìn)了。與C一樣，當(dāng)將對(duì)象傳遞給方法時(shí)，將在堆棧上復(fù)制對(duì)象(讀取數(shù)據(jù))。隨著對(duì)象大小的增長，***不要反復(fù)復(fù)制它們，而是要在堆中創(chuàng)建它們，并在周圍傳遞指針。目前，我將把它作為未來的工作。
Go也被用coroutines和信道的原生支持編寫，利用多個(gè)內(nèi)核來解決一個(gè)問題，比過去簡單多了，相比于單核時(shí)代的其他語言來說，這是一個(gè)巨大的優(yōu)勢。我想要增強(qiáng)這個(gè)算法來使用這些工具，但這也必須留給以后的工作。
我很享受學(xué)習(xí)的過程。對(duì)于我來說，用組合而不是繼承來考慮工程解決方案是很困難的，因?yàn)槲乙呀?jīng)習(xí)慣了8年以上的時(shí)間，也是我學(xué)會(huì)編程的方式。但是每種語言和方式都有各自的優(yōu)點(diǎn)和缺點(diǎn);每一種語言在我的工具中都是不同的工具。對(duì)于任何擔(dān)心嘗試的人，不要。有一個(gè)駝峰(更像是一個(gè)減速帶)，但你很快就會(huì)克服它，走上成功之路。
還有一些我喜歡的東西，我喜歡其他語言，主要是一組基本的函數(shù)方法來操作數(shù)據(jù)。我需要一個(gè)lambda函數(shù)和方法來映射、減少和篩選數(shù)據(jù)的數(shù)組或部分。設(shè)計(jì)人員反對(duì)功能實(shí)現(xiàn)的理由是，代碼應(yīng)該總是簡單、易于閱讀和編寫，并且這與for循環(huán)是可實(shí)現(xiàn)的。我認(rèn)為，映射、過濾和減少通常更容易讀和寫，但這是一場已經(jīng)在肆虐的戰(zhàn)爭中的爭論。
盡管我與一些開發(fā)人員的觀點(diǎn)存在分歧，以及我必須考慮解決問題的不同方式，但Go真的是一種很好的語言。我鼓勵(lì)大家在學(xué)習(xí)一兩門語言后再試一試。它很快就成為了***的語言之一，有很多原因可以解釋為什么。我期待著在未來更多地使用它。
