我刚刚学习遗传算法时，我被赋予了一项任务，设计一个遗传算法，学习规则，预测如果一个人会投票是或否给出数据集。遗传算法的制作
我一直在阅读关于GA和GP的书籍和互联网连续两天。所以现在我理解了遗传算法关于种群管理，遗传算子，适应度函数和与不同类型的交叉口罩交叉的概念。但是我仍然无法为给定的数据集制作自己的GA。我只是没有得到如何开始或与什么，我有点绝望，因为我觉得我愚蠢的这一点。
因此，任何帮助，如提示，提示或伪代码，将不胜感激！
的给定的数据集如下（组）：
G1 | G2 | G3 | G4
A1 | B1 | C1 |无
A2 | B2 | C2 | D2
A3 | B3 | C3 | D3
A4 | B4 | C4 | D4
A5 | - | - | D5
那么数据不是a，b，c's。他们是更长的东西，但我很懒惰，所以是：P - 意味着没有更多的属性。请注意，没有一个属性。 感谢任何帮助家伙！
嗯，我不完全理解数据集的描述，所以我的回答是基于以下假设： 我们有一组属性，比如n个不同的属性。每个属性都有一组不同的可能符号（=非数字）值，比如m（i）个不同的可能性。每个人都有相同的属性，但其中一些可能缺失或无。
如果这些假设是正确的，一组属性和可能的值不太高，那么其中一个可能的工作：
如果这两套都是非常小的，你可以有正维数组作为个体/基因型。每个维度的大小都是m（i），这个结构的每个值都是yes/no的答案。这将是固定大小（比特）向量的泛化（=更多维度）。如何创建随机/变异/交叉应该很容易。健身将会是多久才能做出好的预测。
如果它们比较大，那么你需要更复杂的东西。一种可能性是有规则清单。每个规则可以是长度为n + a是/否标志的矢量。在矢量的每个位置上，您都可能有相关属性的可能值。你也可以有一个快乐的小丑属性接受一切。 解释规则（p：person，r：规则）：如果p1 = r1且p2 = r2且... pn = rn，则结果是规则的标志。 您必须评估规则，直到找到匹配的规则。你还需要一个默认值。 在这种情况下遗传算子有点棘手，但我认为如果您搜索可变长度编码，您会发现一些东西。 我已经使用了类似的编码（对于不同的问题），它工作正常。
说实话，我不是100％确定如果遗传算法是这个问题的最佳选择，特别是如果值不是符号，但数字。这似乎是一个模式匹配问题，为此有更好的解决方案。我会寻找一些替代品，例如数字情况下的神经网络。
感谢您的提示。 @Sandor数据集和前面的文章中描述的一样大，我必须使用GA，因为它是一个需求。所有的价值观都是象征性的，如果我明白你是正确的。例如G1包含诸如黑色，白色，棕色等人的颜色。该任务基于我以前在另一种情况下使用的先前数据集。该数据集的投票是/否，并且即时猜测，因为在这个问题中没有提到它，所以决定是否使用该分类取决于我。仍然不太确定如何解决这个问题，希望得到更具体的东西。 – Celly
首先，首先，您必须首先确定您想要用数据集解决的问题。您通常使用遗传算法来处理非确定性问题：需要很长时间才能解决的问题，但是其答案很容易验证。
所以第一个问题是：你的数据集代表什么？
第二个问题：你想要解决什么问题，是遗传算法的一种拟合方法来解决你的问题？
无论如何，创建遗传算法是通过以下步骤来完成：
p(c)和突变概率p(m)因此，您必须为您的解决方案（例如位数或字符串数组）找到一个符号，以便您轻松地交换部分染色体。然后你必须确定交叉和变异操作。 如果您正在处理有序染色体，那么取决于应用的交叉策略，您可能必须在之后修复染色体。有序染色体是一个染色体，其中的顺序或基因很重要。如果你在代表旅行推销员访问的两个解决方案上进行标准交叉，那么你最终可能会染上一个染色体，他会访问一些城市两次或更多，而有些则根本没有！
关于如何在遗传算法中翻译每个问题没有明确的描述，因为每个问题都不相同。上述步骤不会改变，但您可能需要引入几种不同的交叉和变异操作来防止过早收敛。
您必须更具体地了解您的数据代表什么，因为我不知道。我的第一个猜测是，G1-G4是一个人的财产，但是它缺少一个说明该人是否投票的领域。在一个侧面说明中，这并不是我称之为开始使用GAs的合适人选，这听起来有点高级。 – Dukeling
我在人口中的每个基因组都像[决策树]（http://en.wikipedia.org/wiki/Decision_tree）之前就已经看到了一种方法。这可能是一个起点。或者，这可能会使你**应该做的事情过分复杂化。 – Dukeling