Python 如何将遗传编程算法训练到可变描述符序列上？

我目前正在尝试设计一种遗传编程算法，该算法分析字符序列，并为这些字符指定一个值。下面，我制作了一个示例集。每一行代表一个数据点。经过训练的值是实值的。 例子： 对于单词

ABCDE

算法应返回1.0

示例数据集：

ABCDE:1

ABCDEF:10

ABCDEGH:3

ABCDELKA:50

AASD:3

数据集可以是所需的最大数据集，因为这一切都是虚构的。让我们假设GP应该理解的规则并不太复杂，并且它可以由数据来解释

当给定输入序列时，我希望该算法能够近似计算数据集中的值。我现在的问题是，每个序列可以由不同数量的字符组成。如果可能的话，我不想自己写一些花哨的描述词

如何训练我的GP（最好使用

tinyGP

或python）来构建此模型？

因为这里有这么多的讨论——一张图表上写着千言万语： 我想做的就是把一个数据点放到一个函数中。然后我得到一个值，这是我的结果。不幸的是，我不知道这个函数，我只是有一个数据集，其中有一些示例（可能1000个示例只是一个示例）。现在，我使用遗传编程算法来找到一种能够将数据点转换为结果的算法。这是我的模型。在本例中，我遇到的问题是数据点的长度不同。对于设置的长度，我可以只指定字符串中的每个字符作为输入参数。但是，如果我有不同数量的输入参数，我就不知所措了

---

免责声明：在我的研究中，我已经多次遇到这个问题，但我们永远都无法找到一个解决方案（比如使用窗口、描述符等）。我想使用GP，因为我喜欢这项技术，并且想尝试一下，但在Uni期间，我们也用ANN等进行了尝试，但没有效果可变输入大小的问题仍然存在。

传统的遗传编程不适合可变长度输入

我突然想到，这个问题中预设了某种评价模式

例如，考虑将可变长度输入编码为单个任意精度值，例如，对于10个符号的字母表：

ABCD = 1234; ABCDEF = 123456

或

然而，如果这种编码对于问题域来说不是自然的，那么很难发展出一个能够很好地处理这种输入的程序

您还可以假设，这个问题可以用遗传衍生的有限状态机来充分表示：

F(F(F(F(init(), A), B), C), D) = 1234

这是一个独立于基因编程的研究领域，谷歌搜索，阅读研究论文，也许你能找到一个能满足你需求的软件包

同样，你的问题也可以用另一种变换来表示，例如bigram的频率——这种变换是有限长度的：

# bigrams
# ABCDE => 1
"AA": 0
"AB": 0.25
"AC": 0
"AD": 0
"AE": 0
"BA": 0
"BC": 0.25
"BD": 0
#... up to end of alphabet ...

(0, 0.25, 0, 0, 0, 0, 0.25, 0, ...., 0, ...) => 1      # ABCDE
(0, 0.20, 0, 0, 0, 0, 0.20, 0, ...., 0.20, ...) => 10  # ABCDEF
# input length N^2

# trigrams
(0, 0.33, 0, 0, ..., 0, ...) => 1      # ABCDE
(0, 0.25, 0, 0, ..., 0.25, ...) => 10  # ABCDEF
# input length N^3

二元图、三元图等都是出人意料的好预测器：

• 捕获马尔可夫信息（“ab”与“ac”）
• 捕获相对位置（“ab”和“bc”与“ed”和“bc”）
• 捕捉非线性语义（“abab”！=“ab”*2）
• 抗混乱输入（“购买新垃圾邮件”vs“购买新垃圾邮件”）

这些常用于自然语言问题，如文本主题检测、作者检测、垃圾邮件保护；生物技术，如dna和rna序列等

但是，不能保证这种方法适用于您的问题。它确实取决于你的问题域，例如在算术域中考虑字母表<代码> 10 + < /代码>，以下两个输入变得不可区分，但产生不同的结果：

10000+10000 = 20000
1000+100000 = 101000

在这种情况下，您需要注册机之类的设备：

init: tmp = 0; res = 0
"0": tmp *= 10
"1": tmp *= 10; tmp += 1
"+": res += tmp; tmp = 0
end: res += tmp

---

由于没有适应度函数，因此需要将遗传算法视为分类器。所以你需要想出一种方法来评估一条染色体。正如其他人所建议的，这是一个纯粹的分类问题，而不是优化问题，但是，如果您仍然想继续遗传算法，这里有一些步骤来尝试初始方法：

您将需要：

有效染色体的描述（如何编码）

要使用遗传算法，所有的解都必须具有相同的长度（有更高级的可变长度编码方法，但我不在此赘述）。因此，您需要找到一种最佳的编码方法。知道您的输入是一个可变长度的字符串，您可以将您的染色体编码为字母表的查找表（python中的字典）。然而，当您尝试应用交叉或变异操作时，字典会给您带来一些问题，因此最好将字母表和染色体编码分开。参考语言模型，您可以检查n个字母表，您的染色体长度将与您的字母表长度相同：

UNIGRAM

alphabet = "ABCDE"
chromosome1 = [1, 2, 3, 4, 5]
chromosome2 = [1, 1, 2, 1, 0]

alphabet = ["AB", "AC", "AD", "AE", "BC", "BD", "BE", "CD", "CE", "DE"]
chromosome = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

alphabet = ["ABC", "ABD", "ABE"...]
chromosome = as above, a value for each combination

BIGRAM

alphabet = "ABCDE"
chromosome1 = [1, 2, 3, 4, 5]
chromosome2 = [1, 1, 2, 1, 0]

alphabet = ["AB", "AC", "AD", "AE", "BC", "BD", "BE", "CD", "CE", "DE"]
chromosome = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

alphabet = ["ABC", "ABD", "ABE"...]
chromosome = as above, a value for each combination

三角图

alphabet = "ABCDE"
chromosome1 = [1, 2, 3, 4, 5]
chromosome2 = [1, 1, 2, 1, 0]

alphabet = ["AB", "AC", "AD", "AE", "BC", "BD", "BE", "CD", "CE", "DE"]
chromosome = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

alphabet = ["ABC", "ABD", "ABE"...]
chromosome = as above, a value for each combination

二,。 解码染色体以评估单个输入

染色体代表字母表中每个元素的整数值。所以，如果你想知道一个有染色体的输入值（可变长度字符串），你需要尝试一些求值函数，最简单的是每个字母值的总和

alphabet = "ABC"
chromosome = [1, 2, 1]
input = "ABBBC"

# acc = accumulated value
value = reduce(lambda acc, x: acc + chromosme[alphabet.index(x)], input, 0)
# Will return ABBBC = 1+2+2+2+1 = 8

三,。 健身功能

你的适应度函数只是一个简单的误差函数。你可以使用简单的误差和，平方误差。。。单代的简单评估函数：

def fitnessFunction(inputs, results, alphabet, chromosome):
    error = 0

    for i in range(len(inputs)):
        value = reduce(lambda acc, x: acc + chromosome[alphabet.index(x)], inputs[i], 0) 
        diff = abs(results[i] - value)
        error += diff # or diff**2 if you want squared error

    return error

# A simple call -> INPUTS, EXPECTED RESULTS, ALPHABET, CURRENT CHROMOSOME
fitnessFunction(["ABC", "ABB", "ABBC"], [1,2,3], "ABC", [1, 1, 0])
# returned error will be:
# A+B+C = 1 + 1 + 0 -- expected value = 1 --> error += 1
# A+B+B = 1 + 1 + 1 -- expected value = 2 --> error += 1
# A+B+C = 1 + 1 + 1 + 0 -- expected value = 3 --> error += 0
# This chromosome has error of 2

现在，使用任何交叉和变异算子