C++ 如何构造遗传算法类层次结构？

我正在做一些关于遗传算法的工作，想写我自己的遗传算法类。由于遗传算法可以有不同的方法来进行选择、变异、交叉、生成初始种群、计算适应度和终止算法，因此我需要一种方法来插入这些方法的不同组合。我最初的方法是创建一个抽象类，将所有这些方法定义为纯虚拟的，任何具体的类都必须实现它们。例如，如果我想尝试两个相同但具有不同交叉方法的GAs，我必须创建一个从GeneticAlgorithm继承并实现除交叉方法之外的所有方法的抽象类，然后创建两个从该类继承并仅实现交叉方法的具体类。这样做的缺点是，每当我想交换一两个方法来尝试新的东西时，我必须创建一个或多个新类

---

还有其他方法可以更好地解决这个问题吗？

您的实现看起来像一个。我将GA作为多个对象的协作来处理，而不是封装整个算法的一个大类。基本上，您可以为每个大的 变化点，以及您想要的每个实现选择的具体类。然后将所需的具体类组合成多种GA

此外，您可能希望熟悉策略模式：

---

我认为你的方法过于复杂化了。建议您下载该软件包。即使您只提取html或pdf格式的文档。这些lib已经存在了一段时间，我确信您将通过查看在GAlib中是如何完成的来学习如何构造lib的

我角色中的一些随机位：

• 您应该签出的项目（作为一种方法）是
• 构建GAs最困难的部分是为您的问题找到一个合理的遗传表示，并为给定的群体构建一个具有良好适应度分布的适应度函数
• 当处理（m）任何硬约束时，您可以考虑引入一个Translator类来处理硬约束，代价是（可能）垃圾DNA和一点性能

---

正如人们所说，不要把它变成一个巨大的阶级。那太可怕了。在不同的类中封装行为。战略是一种解决方案。

---

如果需要示例，请下载源代码和示例。它支持遗传编程和遗传算法。你会看到那里有漂亮的设计。变异、交叉、选择、群体、基因——所有这些都是独立的类别。您只需设置配置对象，在其中启动定义的接口和要使用的实现，传递适当的算法参数并运行它。真正的包是巨大的，javadoc很好，您可以随时查看源代码或检查邮件组以获得一些答案。当我在寻找GA软件包时，我看到了GAlib和其他人，但我认为这是最完整的，设计非常好

我在实施GA框架时采取的方法如下： 创建以下类： 一代 遗传算法 遗传算法适配器 遗传算法参数 人口 个人

虽然我没有为各种操作实现策略模式，但我确信在GeneticAlgorithm实例上创建各种GA操作实现作为参数是微不足道的

GeneticAlgorithm类捕获基本算法。它实际上只是定义了各种步骤（群体创建、个体随机化、选择、交叉、变异等），并在算法运行时管理个体群体。我想，如果你愿意，你可以在这里插入不同的操作

真正的魔力在于适配器。这就是使问题域（个体的特定子类及其所有相关数据）适应遗传算法的方法。我在这里大量使用泛型，以便将特定类型的总体、参数和个体传递到实现中。这使我能够对适配器的实现进行智能感知和强类型检查。适配器基本上需要定义如何对给定个体（及其基因组）执行特定操作。例如，以下是适配器的接口：

/// <summary>
/// The interface for an adapter that adapts a domain problem so that it can be optimised with a genetic algorithm.
    /// It is a strongly typed version of the adapter.
    /// </summary>
    /// <typeparam name="TGA"></typeparam>
    /// <typeparam name="TIndividual"></typeparam>
    /// <typeparam name="TPopulation"></typeparam>
    public interface IGeneticAlgorithmAdapter<TGA, TIndividual, TGeneration, TPopulation> : IGeneticAlgorithmAdapter
        where TGA : IGeneticAlgorithm
        where TIndividual : class, IIndividual, new()
        where TGeneration : class, IGeneration<TIndividual>, new()
        where TPopulation : class, IPopulation<TIndividual, TGeneration>, new()
    {
        /// <summary>
        /// This gets called before the adapter is used for an optimisation.
        /// </summary>
        /// <param name="pso"></param>
        void InitialiseAdapter(TGA ga);

        /// <summary>
        /// This initialises the individual so that it is ready to be used for the genetic algorithm.
        /// It gets randomised in the RandomiseIndividual method.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="individual">The individual to initialise.</param>
        void InitialiseIndividual(TGA ga, TIndividual individual);

        /// <summary>
        /// This initialises the generation so that it is ready to be used for the genetic algorithm.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="generation">The generation to initialise.</param>
        void InitialiseGeneration(TGA ga, TGeneration generation);

        /// <summary>
        /// This initialises the population so that it is ready to be used for the genetic algorithm.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="population">The population to initialise.</param>
        void InitialisePopulation(TGA ga, TPopulation population);

        void RandomiseIndividual(TGA ga, TIndividual individual);

        void BeforeIndividualUpdated(TGA ga, TIndividual individual);
        void AfterIndividualUpdated(TGA ga, TIndividual individual);

        void BeforeGenerationUpdated(TGA ga, TGeneration generation);
        void AfterGenerationUpdated(TGA ga, TGeneration generation);

        void BeforePopulationUpdated(TGA ga, TPopulation population);
        void AfterPopulationUpdated(TGA ga, TPopulation population);

        double CalculateFitness(TGA ga, TIndividual individual);

        void CloneIndividualValues(TIndividual from, TIndividual to);

        /// <summary>
        /// This selects an individual from the population for the given generation.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="generation">The generation to select the individual from.</param>
        /// <returns>The selected individual.</returns>
        TIndividual SelectIndividual(TGA ga, TGeneration generation);

        /// <summary>
        /// This crosses over two parents to create two children.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="parentsGeneration">The generation that the parent individuals belong to.</param>
        /// <param name="childsGeneration">The generation that the child individuals belong to.</param>
        /// <param name="parent1">The first parent to cross over.</param>
        /// <param name="parent2">The second parent to cross over.</param>
        /// <param name="child">The child that must be updated.</param>
        void CrossOver(TGA ga, TGeneration parentsGeneration, TIndividual parent1, TIndividual parent2, TGeneration childsGeneration, TIndividual child);

        /// <summary>
        /// This mutates the given individual.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="generation">The individuals generation.</param>
        /// <param name="individual">The individual to mutate.</param>
        void Mutate(TGA ga, TGeneration generation, TIndividual individual);

        /// <summary>
        /// This gets the size of the next generation to create.
        /// Typically, this is the same size as the current generation.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="currentGeneration">The current generation.</param>
        /// <returns>The size of the next generation to create.</returns>
        int GetNextGenerationSize(TGA ga, TGeneration currentGeneration);


        /// <summary>
        /// This gets whether a cross over should be performed when creating a child from this individual.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="currentGeneration">The current generation.</param>
        /// <param name="individual">The individual to determine whether it needs a cross over.</param>
        /// <returns>True to perform a cross over. False to allow the individual through to the next generation un-altered.</returns>
        bool ShouldPerformCrossOver(TGA ga, TGeneration generation, TIndividual individual);

        /// <summary>
        /// This gets whether a mutation should be performed when creating a child from this individual.
        /// </summary>
        /// <param name="ga">The genetic algorithm that is running.</param>
        /// <param name="currentGeneration">The current generation.</param>
        /// <param name="individual">The individual to determine whether it needs a mutation.</param>
        /// <returns>True to perform a mutation. False to allow the individual through to the next generation un-altered.</returns>
        bool ShouldPerformMutation(TGA ga, TGeneration generation, TIndividual individual);
    }

//
///适配器的接口，用于适应域问题，以便使用遗传算法对其进行优化。
///它是适配器的强类型版本。
/// 
/// 
/// 
/// 
公共接口IGeneticAlgorithmAdapter:IGeneticAlgorithmAdapter
其中TGA:IGeneticAlgorithm
其中TIndividual:class、IIndividual、new（）
其中tggeneration:class，IGeneration，new（）
其中tppopulation:class，ippopulation，new（）
{
/// 
///在使用适配器进行优化之前，将调用该函数。
/// 
/// 
空心接头（TGA-ga）；
/// 
///这将初始化个体，以便它可以用于遗传算法。
///它在RandomiseIndividual方法中随机化。
/// 
///正在运行的遗传算法。
///需要初始化的个人。
无效初始个体（TGA ga，t个体）；
/// 
///这将初始化生成，以便它可以用于遗传算法。
/// 
///正在运行的遗传算法。
///要初始化的一代。
空隙初始生成（TGA-ga，TG生成）；
/// 
///这将初始化种群，以便它可以用于遗传算法。
/// 
///正在运行的遗传算法。
///人口需要初始化。
void InitialisePopulat