有这么一种算法，它会骗人、写诗，还会让游戏里的机器人碾压你

有这么一种算法，它会骗人、写诗，还会让游戏里的机器人碾压你

有一款非常魔性的小游戏叫《Boxcar2D》，游戏主要内容是用几何图形和圆形的轮子组成小汽车，焊接机器人维修，不断走过一条有上下波动的路，看什么形状的小车可以走的更远。但和大部分游戏不一样的是，不用玩家自己手动拼装小车，整个过程完全由算法自动进行，每次随机生成小车，卡到路上了就重新来过。最后小车会越走越远，整个过程中小车的形状会越来越合适，一开始可能只是个独轮车，到后期则会很接近我们生活中摩托车的样子。

要问有什么案例能简单明晰地体现出智能、自学习的概念，这款游戏一定是我的首选。而这款游戏中，应用的就是遗传算法。

什么是遗传算法？

简单来说，遗传算法是一种随机搜索算法，主要目的是用来优化。和自然界的遗传一样，遗传算法秉持的是适者生存、优胜劣汰。通过选择、交叉和变异，不断迭代出更优秀的解法。

通过编码，将解空间变成编码空间，从中选择当前较为优秀的解当做父母，下一步则是将多种解的特征进行交叉，诞生下一代，最后再经过变异成为子嗣。如果子嗣还是不能符合要求，那就再进行一次上述步骤，直到满足要求。

过程中，较差的基因就会一步步被淘汰。最后再进行解码，就能得到我们想要的结果。总之，这是一个枚举的过程。就像长颈鹿的进化一样，树叶长在高处，每一只鹿都去尝试吃树叶，只有符合标准的长颈鹿能够吃到食物、生产下来并诞生后代。

但要注意的是，这种算法很多时候不会给出一个最优解，而是给出一些较为接近的次优解，KUKA机器人培训，从中矮子里面拔将军。

在哪里能看到遗传算法？

遗传算法经常被用来解决一些调度类的问题，比如确定车间工程流程、飞机航线等等。工程、航行中所需要的资源消耗、时间等等权值看做染色体，几种染色体排列组合，最终选择其中的较优方案。

此外，机器人中也会用到遗传算法，尤其是快速定位、路径规划等。就像《Boxcar2D》这个游戏一样，机器人在仿真环境中不断尝试接近目标，路线的优越度随着路线的长度减少，结合机器人对自身位置的感知，最后得出较优解。

同时，遗传算法也可以被应用于帮助神经网络调参数，只是这种方式需要的时间太长、运算量太大，属于性价比较低的参数调整方式。

在游戏中，也能见到遗传算法的影子。很多游戏会有在同一场景面对多轮敌人的生存模式，在这一模式中，敌人的属性是会不断增强的，有了遗传算法，就可以根据你自身属性的变化不断改变敌人的属性，以增强游戏的难度。你的法术强度高，机器人维修，KUKA机器人保养，敌人就会增加法术防御度，你的攻击穿透性高，敌人就会增加血量。这样一来，相比直接的增加属性，可以有更好的游戏体验。

从骗人到写诗，遗传算法有什么好玩的应用？

以上都是一些适用于实际场景的应用，由于遗传算法简单易用，我们可以看到很多娱乐化的、有趣的应用。

比如说，模仿图形。在一款程序中，我们可以看到遗传算法通过几何图形的不断组合，最终慢慢变成接近案例图形的样子。

同时你还可以亲自调整变异的倾向，最终成果虽然和原图相比还有很大差距，但也不乏自己的风格。不过尝试时就可以发现，整个过程时间很长，某种程度上也体现了遗传算法的低效。

基于上述的功能，KUKA机器人培训，遗传算法还有一个非常有趣的玩法，那就是欺骗深度学习模型。

2014年有一篇论文曾经写过，深度神经网络（DNN）在图片识别上有着很优异的表现。可当用遗传算法模拟图片时，史陶比尔机器人保养，两张图片在人眼看来一模一样，可深度神经网络却完全识别不出来。或者遗传算法可以模拟出一张人眼看起来是乱码的图片，却被深度神经网络识别成正常的图片。

这一点让人们注意到了机器视觉和人类视觉的区别，和人类不一样，机器还是会把图像转化为数字，再进行比对、识别。这也导致了，有时候深度神经网络会把一张噪声图识别成动物、建筑等等。

除了生成图片，遗传算法还可以生成音乐、宋词等等。将词语和音符输入，让机器随机组合，加入人类评分机制。整个过程几乎和让猴子在打字前坐几十年可以写出莎翁作品的假说差不多。基本上只能用于娱乐，不太适合实操。

其实，目前遗传算法已经慢慢淡出了主流舞台。虽然主旨是为了避开局部最优误区，为无限解集问题寻找答案，可在实际应用时相比梯度和蒙特卡罗算法都没有明显的差异和优势，常常被视作玄学算法。比如计算结果的稳定性差、求解过程没有可复制性等等都是遗传算法的缺点。很长一段时间里，遗传算法都被看做只能用来凑论文的算法。

不过理论也和技术一样，会随着实践和研究不断发展，曾经的神经网络也曾被打入冷宫。最近DeepMind还提出了把神经网络和遗传算法结合，应用到迁移学习中的案例。或许，有朝一日遗传算法还会重新进入我们的视野。