我正在努力研究遗传算法和神经网络，并在网络上看过几个视频。其中一些是寻路算法，例如搜索奶酪的鼠标。
适应度函数为每只老鼠提供一种分数，以评估它们的表现。在空荡荡的房间里，老鼠到奶酪的距离将是一个很好的健身分数指标，因为它们可以“看到”奶酪并且必须学会去那里。但是，在一个装满盒子的房间里，什么会是好的健身功能？距离会假设他们知道往哪个方向走，因为如果我给那些减少距离的人打分，那么最终所有的老鼠都会朝那个方向走……如果我把奶酪移到另一个地方，它们会发疯的。 ..只是他们移动的距离也不好，因为一个在圆圈中移动的人得分很高......
对于这个问题，什么是好的适应度函数？
【问题讨论】：
标签： neural-network genetic-algorithm
您确定没有将遗传算法与传统寻路算法混为一谈吗？两者都有某种适应功能。在寻路的情况下，“启发式”通常就是所谓的。对于这些算法，必须假定在执行算法时使用“适应度”（或者更喜欢加速算法）。
实际遗传算法中的适应度函数相对精确，但那是因为它通常更多的是一种评估。 例如，您使用当前值执行模拟并计算鼠标找到奶酪所需的时间。所经过的时间或距离是逆适应度（相反，因为数字越大意味着适应度越低）。 如果适应度比以前的运行好，您可以使用稍微不同的设置（通过变异、随机性等生成）分支新的模拟，并每次评估什么提高了适应度，什么没有提高（-> 适者生存）。如果适应度更差，放弃这个分支（或者每 XX 次遇到一个坏分支就保留它；“可能它在一个好的路上”）。
【讨论】：
可能需要多少步才能到达奶酪？
请注意，您的问题已通过 A* algorithm 经典解决，这不是进化的。它确实使用heuristic 来暗示一个职位有多好。
不过，适应度函数应该旨在优化您的最终结果，但您不一定需要事先获得它的“正确”或“最佳”值。只要找到你知道的“越多越好”或“越少越好”的东西。
【讨论】：