R Genetic Algorithm
Machine Learning

---

基因演算法原理

透過模仿自然法則來設計演算法: 主要有篩選&交配&突變3個主要機制
篩選
從所有的染色體中選取最適配(根據目標函數)的一對(或多對)作為父母染色體 –-> 競爭篩選法
計算每個染色體的適配值–-> 越適合，被選中的機率越高，但人人有機會 –-> 輪盤篩選法
被篩選出來的染色體就進入交配池
交配
交配的目的是交換基因，交換基因也有很多種方式，介紹最簡單的單點交配

從交配池抓出兩個染色體 A&B
A = 111000
B = 101011

若演算法決定在第N個基因為交配點，則兩個染色體的基因在第N個基因後進行互換
–-> 設N=3(從左邊數過來)

A = 111|000
B = 101|011
–-開始交換–-
A = 111|011
B = 101|000
–-交換完成–-

突變
但是如果只是交配還是有問題 –-> 無法產生新的基因
因此演算法要設定一個突變機率
突變也是有許多方法，最簡單就是在要突變的染色體上找一個基因–->將其值反轉

A = 111000
A' = 111001

菁英基因
保留前一代一定數量的基因，來讓優秀基因留下來
剩下的染色體則由交配後的子代取代

流程

start()
Generate_initial_group()
while(terminate = False){
    Calculate_Fitting_values()
    Select_mating_gene()
    Mating()
    Mutation()
    Replace(Elite_Rate)
    Check_terminate()
    }
end()

---

實作目標

以遺傳演算法去逼近以下方程式

f(x)=abs(x1-sqrt(exp(1)))+abs(x2-log(pi))

找出在指定範圍的x1&x2 –-> 使f(x)之最小值

---

rbga in R (2 variables)

library(genalg)

evaluate <- function(string=c()) {
    returnVal = NA;
    if (length(string) == 2) {
        returnVal = abs(string[1]-sqrt(exp(1))) + abs(string[2]-log(pi));
    } else {
        stop("Expecting a chromosome of length 2!");
    }
    returnVal
}

monitor <- function(obj) {
    # plot the population
    xlim = c(obj$stringMin[1], obj$stringMax[1]);
    ylim = c(obj$stringMin[2], obj$stringMax[2]);
    plot(obj$population, xlim=xlim, ylim=ylim, 
    xlab="sqrt(exp(1))", ylab="log(pi)");
}

rbga.results <- rbga(c(0, 0), c(5,5), 
                   monitorFunc=monitor, 
                     evalFunc=evaluate, 
                          verbose=TRUE,
                          iters = 1000,
                         popSize = 100,
                    mutationChance=0.01)

s <- summary(rbga.results,ehco = TRUE)

# 對答案(如果沒有叫出summary的話)
rbga.results$population[1,]

# check loss
real <- c(1.648721,1.14473)
diff <- real - rbga.results$population[1,]
diff

---

rbga in R (3 variables)

3個變數，範圍上下限一樣為0~5

library(genalg)
library(plot3D)

evaluate <- function(string=c()) {
    returnVal = NA;
    if (length(string) == 3) {
        returnVal = abs(string[1]-sqrt(exp(1))) + abs(string[2]-log(pi)) + abs(string[3]-2*pi);
    } else {
        stop("Expecting a chromosome of length 3!");
    }
    returnVal
}
monitor <- function(obj) {
    # plot the population
    xlim = c(obj$stringMin[1], obj$stringMax[1]);
    ylim = c(obj$stringMin[2], obj$stringMax[2]);
    zlim = c(obj$stringMin[3], obj$stringMax[3]);
    x = obj$population[,1];
    y = obj$population[,2];
    z = obj$population[,3];
    scatter3D(x,y,z, xlim = xlim,ylim = ylim,zlim = zlim,main="3 variables GA",
    xlab="sqrt(exp(1))", ylab="log(pi)",zlab="2*pi",colkey=TRUE,col = rainbow(12),
    ticktype="detailed", bty="g",phi=0,speed = 0.2, clab="Rainbow",pch=20,cex=2);
}
rbga.results <- rbga(c(0,0,0), c(5,5,5), 
                   monitorFunc=monitor, 
                     evalFunc=evaluate, 
                          verbose=TRUE,
                          iters = 500,
                         popSize = 100,
                    mutationChance=0.01)

#rbga.results$population[1,]

s <- summary(rbga.results,ehco = TRUE)

# 對答案(如果沒有叫出summary的話)
rbga.results$population[1,]

基因演算法絕對不是只可以算兩個變數(大部分教學都只展示兩個)，其實幾個都行

1. 設計function時把變數加上去
2. 以3個變數來說，畫圖應該要用3D，更多維就不用畫圖了
3. 用plot3D的scatter3D()來畫圖，注意這邊x,y,z要用
   "obj之population"的
   $column$(不信可以把"obj$population" print出來)
4. 畫3D圖的其他設定可以參考––->這裡或這裡

---

reference
第一篇
第二篇
第三篇
4. 應用R語言於資料分析-從機器學習/資料探勘到巨量資料 - 李仁鐘

---

More tutorial / note

1. my coding-blog
2. my movie-blog

tags: R beginner cat tutorial