上記のシーンでは、秘密のメッセージのキャラクターはA-Z、スペース、または基本的な句読點です。これが次の32文字「アルファベット」を與えるとします：abcdefghijklmnopqrstuvwxyz - 。、！？それらは正しいです。それぞれの可能性を確認するには時間がかかりすぎます。代わりに、遺伝的アルゴリズムは12文字をランダムに選択し、テーラー/スパイに彼の情報の結果がどれだけ近いかを評価するように依頼します。これは、スコアが將來の候補者を微調整できるため、ブルートフォース検索よりも効果的です。フィードバックにより、各推測のフィットネスを測定し、できれば行き止まりで時間を無駄にしないようにすることができます。 3つの推測を行ったとします：homlk？wsrzdj、bgk ka！qtpxc、xelpocv.xlf！。最初の候補者は248.2、2番目は632.5、3番目は219.5でした。スコアの計算方法は狀況によって異なりますが、これについては後で説明しますが、候補者とターゲット情報の偏差に基づいていると仮定しましょう。完全なスコアは0です（つまり、偏差なし、候補とターゲットは同じ）、より高いスコアは偏差が大きくなることを意味します。 248.2と219.5のスコアを持つ推測は、635.5のスコアを持つ推測よりも秘密情報の內容に近い。 將來の推測は、最高の試みの組み合わせによって行われます。候補者を結合するには多くの方法がありますが、今では単純なクロスオーバーアプローチを検討しています。新しい推測の各キャラクターは、最初または2番目の親候補から50?50の確率をコピーしています。 homlk？wsrzdjとxelpocv.xlf！の2つの推測を取ると、子孫の最初の文字はHの確率が50％、xの50％の確率があり、2番目の文字はoまたはeです。すぐ。子孫はこんにちは？W.rld！

ただし、親候補の値のみを使用する場合、複數の反復に問題があるかもしれません：多様性の欠如。 1つの候補者がすべてのAで構成され、もう1つの候補がすべてのBで構成されている場合、クロスオーバーによって生成された子孫はAとBでのみ構成されます。ソリューションにCが含まれている場合、私たちは殘念です。

• 対立遺伝子：遺伝的アルファベットのメンバー。対立遺伝子の定義はアルゴリズムに依存します。たとえば、0と1は、バイナリデータの処理に使用される遺伝的アルゴリズムの対立遺伝子であり、コードを処理するために使用されるアルゴリズムは機能ポインターなどを使用できます。私たちの秘密情報シナリオでは、対立遺伝子はアルファベットの文字、スペース、さまざまな句読點です。
• 染色體：候補ソリューション。私たちのシナリオでは、homlk？wsrzdj、xelpocv.xlf！
• 遺伝子：染色體の特定の場所にある対立遺伝子。染色體homlk？wsrzdjの場合、最初の遺伝子はh、2番目の遺伝子はO、3番目の遺伝子はmなどです。
• 集団：問題の解決策として提案された1つ以上の候補染色體のコレクション。
• 世代：アルゴリズムの特定の反復中の人口。ある世代の候補者は、次世代の集団を生成するために遺伝子を提供します。
• フィットネス：候補者が望ましいソリューションにどれだけ近いかの尺度。適応型染色體は、遺伝子を將來の候補に渡す可能性が高くなりますが、適応性の低い染色體は廃棄される可能性が高くなります。
• 選択：複製の候補を選択するプロセス（新しい候補染色體の作成に使用）し、他の候補者を破棄します。弱い候補を選択するための耐性が異なるさまざまな選択戦略があります。
• 複製：1つ以上の候補者の遺伝子を組み合わせて新しい候補者を生産するプロセス。ドナー染色體は父親と呼ばれ、生成された染色體は子孫と呼ばれます。
• 突然変異：多くの世代の遺伝的多様性の喪失を防ぐために、子孫に異常な遺伝子をランダムに導入しました。

いくつかのコードを見せてください！

高度な概要と用語リストを考えると、今すぐコードを見たいと思うかもしれません。それでは、秘密の情報問題を解決するJavaScriptコードを見てみましょう。読書プロセス中に、どの方法が「voilerplateコード」と見なされる可能性があるか、どの方法が解決しようとしている問題により密接に関連しているかを考えるように勧めます。

// ... (Candidate class and GeneticAlgorithm class code as provided in the original text) ...

コンストラクターは、シミュレーションに必要なさまざまなパラメーターを解くオブジェクトを使用します。これは、シミュレーションが実行される制約を定義する遺伝的アルファベット、ターゲットメッセージ、およびその他のパラメーターを指定する方法を提供します。上記の例では、世代ごとに100人の候補者が100人の人口を期待しています。これから、繁殖のために選択されるのは40個の染色體のみです。突然変異を導入する可能性は3％あり、それが発生した場合、2つの遺伝子に変化します。最大値は、100萬世代後に解決策に収束しない場合、とにかくスクリプトを終了します。

アルゴリズムを実行するときに提供される年齢の人口、選択サイズ、最大數が非常に少ないことに言及する価値があります。より複雑な問題には、より大きな検索スペースが必要になる場合があり、これにより、アルゴリズムのメモリ使用量と実行にかかる時間が増加する場合があります。ただし、小さなバリアントパラメーターを使用することを強くお勧めします。彼らが大きくなりすぎると、フィットネスに基づいて繁殖候補者の利點が失われ、シミュレーションがランダムに検索され始めます。

randomint（）、init（）、run（）などのメソッドは、ボイラープレートと見なされる場合があります。しかし、ボイラープレートがあるからといって、シミュレーションに実際的な影響を與えないという意味ではありません。たとえば、遺伝的アルゴリズムはランダム性を大きく使用します。組み込みのMath.random（）関數は當社の目的に適していますが、他の問題については、より正確なランダムジェネレーターが必要です。 crypto.getRandomValues（）は、より強力な暗號化ランダム値を提供します。

パフォーマンスも考慮されます。この記事では明確で理解しやすいように努めていますが、操作が繰り返されることを忘れないでください。ループ內のコードをマイクロ最適化し、より効率的なメモリデータ構造を使用し、コードを機能/メソッドに分離する代わりに、実裝言語に関係なく、コードをインライン化する必要がある場合があります。

calcfitness（）、select（）、reprod（）、さらにはstop（）メソッドの実裝は、解決しようとしている問題に固有のものです。

calcfitness（）特定の予想された基準に基づいて染色體のフィットネスを測定する値を返します。私たちの場合、それは秘密のメッセージとどれだけうまく一致しますか。フィットネスの計算は、ほとんどの場合、狀況固有です。たとえば、2つの値間のハミング距離またはレビンシュタイン距離を計算し、複數の測定値を組み合わせることさえできます。最終的に、Fitness関數は、Booleanの「Fit」/「Not Fit」だけでなく、手元の問題に基づいて有用な測定値を返すことが重要です。

select（）メソッドは、エリート選択戦略を示しています。繁殖に最適な候補者のみが選択されています。前述したように、人口の個々の候補者のセットから最も適切な候補者を選択するトーナメントの選択や、候補者のプレッシャーの選択にますます大規(guī)模で大規(guī)模な候補者を課すボルツマン選択など、他の戦略があります。これらの異なる方法の目的は、染色體がすぐに明らかにならない場合でも、後で有益であることが証明される可能性のある遺伝子を提供する機會を確保することです。これらおよびその他の選択戦略の詳細な説明、および実裝の例は、オンラインで簡単に見つけることができます。

さまざまな選択戦略を説明する

k-point交差戦略の説明 2つの親染色體に限定されない。ランダムポリゴンを描畫して畫像を進化させるアルゴリズムを検討してください。この場合、染色體は畫像データとして実裝されています。各世代で、最も適切な畫像が親として母集団から選択され、すべての子供候補者は、自分のポリゴンを親コピーに描くことによって生成されます。親染色體/畫像は、親のユニークなバリエーション/図面です。

遺伝的アルゴリズムは、エンターテイメントと収益性の両方に使用できます。おそらく、遺伝的アルゴリズムの実用的な応用の最も一般的な2つの例は、BoxCar 2DとNASAによって進化したXバンドアンテナです。

BoxCar 2Dは、遺伝的アルゴリズムを使用して、シミュレートされた地形を通過できる最高の「車」を進化させるシミュレーションです。車は8つのランダムベクターで構成され、車輪をランダムポイントに接続します。プロジェクトのWebサイトは、BoxCar2D.comで見つけることができます。これは、Aboutページにアルゴリズムを簡単に紹介し、最高のデザインのいくつかを示すランキングリストを提供します。殘念ながら、このサイトはフラッシュを使用しており、多くの人にアクセスできないようになりました。この場合、興味がある場合はYouTubeでさまざまな畫面録音を見つけることができます。また、rednuht.org/genetic_cars_2にあるHTML5テクノロジーを使用して、Rafael Matsunagaによって書かれた同様の（優(yōu)れた）シミュレーションをチェックアウトすることもできます。

第一世代と第9世代に最適なレイアウトである寫真は、最適化されたウェブサイトのデザインの論文

染色體としての問題をどのように表現できますか？私の有効な対立遺伝子は何ですか？
目標が何であるか知っていますか？つまり、私は何を探していますか？それは特定の値か、フィットネスが特定のしきい値を超えるソリューションですか？
候補者のフィットネスを定量化するにはどうすればよいですか？
候補者を組み合わせて変異させて、新しい候補ソリューションを生成するにはどうすればよいですか？

遺伝的アルゴリズムに関するよくある質問

• 遺伝的アルゴリズム（GA）とは何ですか？遺伝的アルゴリズムは、自然選択プロセスに觸発されたヒューリスティックな検索と最適化手法です。シミュレーションの進化の原則を通じて、最適化と検索問題に対する近似ソリューションを見つけるために使用されます。
• 遺伝的アルゴリズムはどのように機能しますか？遺伝的アルゴリズムは、連続した世代にわたって候補ソリューションの集団を進化させることにより機能します。このプロセスには、選択、クロスオーバー（組換え）、突然変異、および人口の個人の評価が含まれ、ソリューションの品質を繰り返し改善することを目指しています。
• 遺伝的アルゴリズムはどのような問題に適していますか？遺伝的アルゴリズムは広く使用されており、スケジューリング、ルーティング、機械學習、機能の最適化を含むがこれらに限定されないさまざまな最適化と検索の問題に適用できます。
• 遺伝的アルゴリズムのパラメーターを選択する方法は？人口サイズ、変動性、クロスオーバーレートなどのパラメーターは、特定の問題とソリューション空間の特性に依存します。実験とチューニングは、特定の問題に最適なパラメーター値を見つけるための一般的なプラクティスです。
• 遺伝的アルゴリズムにおけるフィットネス機能の役割は何ですか？フィットネス関數は、個々のソリューションが特定の問題でどのように機能するかを定量化します。選択プロセスを導き、最適化の目標に積極的に貢獻するソリューションを促進します。