Skip to content
TheChatArchiveThe Chat Archive
gpt-4-0125-preview· openaiHugging Face Suzhen/CodeChat

простой генетический алгоритм на языке golang

  1. User

    простой генетический алгоритм на языке golang

  2. 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.