gpt-4-0125-preview· openai
Suzhen/CodeChat
простой генетический алгоритм на языке golang
- User
простой генетический алгоритм на языке golang
- Assistant
Простой генетический алгоритм (ГА) является мощным инструментом для решения оптимизационных и поисковых задач. Вот базовый пример создания генетического алгоритма на языке программирования Go. В примере рассматривается задача поиска строки, которая максимально приближена к заданной целевой строке.
package main import ( "fmt" "math/rand" "strings" "time" ) const target = "Hello, World!" const charset = "abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ !" const populationSize = 100 const mutationChance = 0.01 // 1% шанс мутации type Individual struct { Genome string Fitness int } // Функция создания начальной популяции func createPopulation(size int) []Individual { population := make([]Individual, size) for i := range population { population[i] = Individual{generateRandomString(len(target)), 0} } return population } // Генерация случайной строки заданной длины func generateRandomString(length int) string { var output strings.Builder for i := 0; i < length; i++ { randomChar := charset[rand.Intn(len(charset))] output.WriteByte(randomChar) } return output.String() } // Оценка приспособленности func calculateFitness(individual Individual) int { fitness := 0 for i := range individual.Genome { if individual.Genome[i] == target[i] { fitness++ } } return fitness } // Проведение естественного отбора func selectIndividuals(population []Individual) Individual { totalFitness := 0 for _, individual := range population { totalFitness += individual.Fitness } selected := rand.Intn(totalFitness) current := 0 for _, individual := range population { current += individual.Fitness if current >= selected { return individual } } return population[0] // В случае ошибки выбираем первого } // Скрещивание func crossover(parent1, parent2 Individual) Individual { childGenome := "" for i := range parent1.Genome { if rand.Float32() < 0.5 { childGenome += string(parent1.Genome[i]) } else { childGenome += string(parent2.Genome[i]) } } return Individual{childGenome, 0} } // Мутация func mutate(individual Individual) { chars := []rune(individual.Genome) for i := range chars { if rand.Float64() < mutationChance { chars[i] = rune(charset[rand.Intn(len(charset))]) } } individual.Genome = string(chars) } func main() { rand.Seed(time.Now().UnixNano()) population := createPopulation(populationSize) generation := 0 for { generation++ // Оценка приспособленности for i := range population { population[i].Fitness = calculateFitness(population[i]) if population[i].Fitness == len(target) { // Условие остановки fmt.Printf("Найдено: %s, Поколение: %d\n", population[i].Genome, generation) return } } // Создание нового поколения newPopulation := make([]Individual, populationSize) for i := range newPopulation { parent1 := selectIndividuals(population) parent2 := selectIndividuals(population) child := crossover(parent1, parent2) mutate(child) newPopulation[i] = child } population = newPopulation fmt.Printf("Поколение %d: Лучший результат - %s\n", generation, population[0].Genome) } }Важно понимать, что это базовый пример, который можно улучшить и расширить, добавляя различные стратегии отбора, кроссовера, мутации и условия остановки. Также стоит отметить, что приведенный код оптимален для обучения и понимания основ генетических алгоритмов и может не быть наилучшим решением для сложных оптимизационных задач в реальных приложениях.