我开发了一个基于多线程摆动的模拟机器人导航通过一组随机网格地形的食物源和矿山，并开发了一个基于遗传算法的策略，探索机器人行为的优化和机器人染色体的适者生存基因。这是使用每个迭代周期的图表和映射来完成的。

从那以后，我发展了更多的游戏行为。我最近为自己构建的一个示例应用程序是一个遗传算法，用于解决在英国寻找路线时的旅行销售人员问题，考虑到起始和目标状态，以及一个/多个连接点，延误，取消，建筑工程，高峰时间，公共罢工，考虑最快和最便宜的路线。然后为某一天的路线提供一个平衡的建议。

一般来说，我的策略是使用基于POJO的基因表示，然后为选择、突变、交叉策略和标准点应用特定的接口实现。我的适应度函数就会变得非常复杂，这是基于我需要作为启发式测量应用的策略和标准。

我还研究了将遗传算法应用于代码中的自动化测试，使用系统突变周期，其中算法理解逻辑，并尝试确定带有代码修复建议的错误报告。基本上，这是一种优化我的代码并提供改进建议的方法，以及一种自动发现新编程代码的方法。我还尝试将遗传算法应用于音乐制作和其他应用。

一般来说，我发现进化策略就像大多数元启发式/全局优化策略一样，一开始学习很慢，但随着解决方案越来越接近目标状态，只要你的适应度函数和启发式很好地对齐，在你的搜索空间内产生收敛，它们就会开始学习。

In 2007-9 I developed some software for reading datamatrix patterns. Often these patterns were difficult to read, being indented into scratched surfaces with all kinds of reflectance properties, fuzzy chemically etched markings and so on. I used a GA to fine tune various parameters of the vision algorithms to give the best results on a database of 300 images having known properties. Parameters were things like downsampling resolution, RANSAC parameters, amount of erosion and dilation, low pass filtering radius, and a few others. Running the optimisation over several days this produced results which were about 20% better than naive values on a test set of images unseen during the optimisation phase.

这个系统完全是从零开始编写的，我没有使用任何其他库。我并不反对使用这些东西，只要它们能提供可靠的结果，但是您必须注意许可兼容性和代码可移植性问题。

在工作中，我遇到了这样一个问题:给定M个任务和N个dsp，如何将任务分配给dsp是最好的?“最佳”定义为“最大负载DSP的负载最小化”。有不同类型的任务，不同的任务类型有不同的性能分支，这取决于它们被分配到哪里，所以我将一组工作到dsp的分配编码为“DNA字符串”，然后使用遗传算法来“培育”我所能“培育”的最佳分配字符串。

它运行得相当好(比我之前的方法好得多，之前的方法是评估每个可能的组合……对于非平凡问题的大小，它将需要数年才能完成!)，唯一的问题是无法判断是否已经达到了最优解。你只能决定当前的“最大努力”是否足够好，或者让它运行更长时间，看看它是否可以做得更好。

在大学期间，我们使用NERO(神经网络和遗传算法的结合)来教游戏中的机器人做出智能决策。非常酷。

我和一个同事正在研究一种解决方案，使用我们公司要求的各种标准将货物装载到卡车上。我一直在研究遗传算法的解决方案，而他正在使用具有激进修剪的分支和绑定。我们仍在实施这个解决方案的过程中，但到目前为止，我们已经取得了良好的结果。

没有家庭作业。

1995年，我作为专业程序员的第一份工作是为标准普尔500指数期货编写一个基于遗传算法的自动交易系统。该应用程序是用Visual Basic 3 [!我不知道我当时是怎么做的，因为VB3甚至没有课程。

The application started with a population of randomly-generated fixed-length strings (the "gene" part), each of which corresponded to a specific shape in the minute-by-minute price data of the S&P500 futures, as well as a specific order (buy or sell) and stop-loss and stop-profit amounts. Each string (or "gene") had its profit performance evaluated by a run through 3 years of historical data; whenever the specified "shape" matched the historical data, I assumed the corresponding buy or sell order and evaluated the trade's result. I added the caveat that each gene started with a fixed amount of money and could thus potentially go broke and be removed from the gene pool entirely.

在对种群的每一次评估之后，幸存者被随机杂交(通过混合来自两个亲本的片段)，一个基因被选择为亲本的可能性与它产生的利润成正比。我还添加了点突变的可能性，让事情变得有趣一点。经过几百代这样的基因，我最终得到了一个基因群，它可以把5000美元变成平均约10000美元，而且没有死亡/破碎的可能性(当然是在历史数据上)。

Unfortunately, I never got the chance to use this system live, since my boss lost close to $100,000 in less than 3 months trading the traditional way, and he lost his willingness to continue with the project. In retrospect, I think the system would have made huge profits - not because I was necessarily doing anything right, but because the population of genes that I produced happened to be biased towards buy orders (as opposed to sell orders) by about a 5:1 ratio. And as we know with our 20/20 hindsight, the market went up a bit after 1995.