最近编者突然对遗传算法产生了兴趣，这里的遗传算法指的是进化计算中的概念，并非是某个生物学实验室出来的东西。它把所有解的方式都看作是种群的一部分，最大的作用就是在无数次试错中，选择暂时最优解“繁殖后代”。后代被“繁殖”出来以后，就会继续缩小范围无数次试错，直到获得最接近解的分数。它并非是某疯狂科学家的科学设想，它实际被用于解决如“电网该多大功率才能确保大的同时安全”、“上学如何选择最短路径”等可模拟试错的问题。那既然是无数次随机总有一个中，那为什么非得需要一个算法呢？读者使用随机算法和遍历去计算，不是一样行得通吗？这恰恰是遗传算法和纯随机最爱的不同，遗传算法能记住错误的同时，继续下一轮最小化的随机。

那为什么上学问题不用洪水迷宫算法去实现呢？事实上遗传算法是一套十分通用的技术，不需要去思考如何用算法实现它，只需要给它一个操作方式、评分判定标准，那么遗传算法就能在学校地图上自己“繁殖”种群。如果说普通的算法是空间换时间，那么遗传算法就是纯纯的时间换空间。你当然可以在走迷宫的时候用洪水，当然可以在计算电网时用遍历模拟，但如果说你完全不想处理这些复杂事情，你可以把遗传算法挂在云服务器跑个一天一夜。你只用在 PyGAD 中规定你需要繁殖多少代、如何操作、如何记分、种群有多少，就能去做自己该做的事情了。遗传算法前十几代可能非常笨，但后十几代可能很精英，因为它正在不断试错的过程中不断进化，逼近合规则最优解。

当然本文前半段只是为了普及概念，并不真的是打算教会你遗传算法的概念及 PyGAD 用法。但你能通过真正的遗传算法小玩具，来体验遗传算法的好玩之处，编者推荐试试 commonLuke/mario-neural-network。这是一个开源在 GitHub 上的遗传算法玩《超级马里奥》项目，使用了 PyGAD 以及一个打包《超级马里奥》的库。程序会打开一个内置多窗口同时操作角色，在马里奥一代的第四大关第一小关里反复地、随机地进行尝试。程序并不知道马里奥是什么游戏来的，但是它最后能知道按照规则怎么样做能得最高分，这就是上文所说的“无限逼近正确答案”。需要编者提醒的是，这个小玩具需要你有一台强劲电脑，轻薄本还是建议氛围编程一个字符迷宫玩玩：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
# 克隆项目
git clone https://github.com/commonLuke/mario-neural-network ./mario-neural-network --depth=1

# 安装依赖
cd mario-neural-network
python3 -m venv .venv
source .venv/bin/activate
pip install numpy opencv-python gym-super-mario-bros nes-py

# 合并补丁（因为项目不自带遗传算法状态，需要自己合并补丁，编者这里准备了补丁）
git apply << EOF
diff --git a/mario_nn/main.py b/mario_nn/main.py
index 174b539..6072b99 100644
--- a/mario_nn/main.py
+++ b/mario_nn/main.py
@@ -245,14 +245,14 @@ def load_top_from_population(path="last_population.npz"):
     return
 
 steps = 2000
-# n = 100
+n = 100
 gen_count = 0
 fitness_history = []
 best_fitness = []
 rolling_avg_fitness = []
-# elements = create_population(n)
+elements = create_population(n)
 # elements = [load_top_from_population()]
-elements = load_population()
+# elements = load_population()
 start_time = time.time()
 duration = 24 * 60 * 60
 
@@ -268,4 +268,4 @@ while time.time() - start_time < duration:
 
     if gen_count % 10 == 0:
         save_best(elements)
-        save_population(elements)
\ No newline at end of file
+        save_population(elements)
EOF

# 运行项目
python mario_nn/main.py

以上命令，需要读者的系统有 Python 的 3.0 及以上版本和 Git 才能跑起来，请各位读者自行准备好环境。当读者跟着教程运行起来后，会看到内置多窗口的慢放版马里奥游戏，屏幕上是一整个种群的马里奥。遗传算法进步是一个很慢的过程，可能持续几个小时乃至几天几夜，请确定自己不是真的着急用电脑，否则还是建议节假日的时候再玩。刚开始这群马里奥连路都不会走，卡在起点的管道处跳不上。经过第一轮后，所有的都会跳了。第 0 代基本上都在试错，到第 1 代的进步结果是最明显的，但后面几代复杂度提升了，可能进化曲线并没有开始那么明显，需要十几轮乃至几十轮试错以后，才能完整跳过那几处地方，甚至还能看到有马里奥过了后自杀。

因为程序的评分标准是最高分并且时间剩余多，所以这个误解了需求的算法会期望保分数活着；但很明显最后并不会通过评判，所以下一轮没继承到的算法还是可能无法跳过去。这就是为什么有时上轮过去了，下轮还在试错。这其实是设计得不够好导致的——它鼓励“保分活着”，算法就真的学会了苟着不动。算法不会理解你“真正想要什么”，它只会优化你“实际写了什么”。当然这只是程序化的评判标准，请不要将达尔文主义带入社会思考，社会科学可比社会达尔文丰富多了。遗传算法只是个会试错的小玩具，别让它替你做价值判断。虽然遗传算法能用时间无限逼近正确的值，但如果追求速度和效率，并且能力优秀，还是建议使用洪水迷宫这类的专精算法去处理问题。