除了一些常见的问题，如《旅行推销员》和Roger Alsing的《蒙娜丽莎》程序的变体，我还编写了一个进化数独求解器(这需要我自己更多的原创想法，而不仅仅是重新实现别人的想法)。解决数独游戏有更可靠的算法，但进化方法效果相当好。

在过去的几天里，在Reddit上看到这篇文章后，我一直在玩一个进化程序来寻找扑克的“冷牌”。目前还不太令人满意，但我想我可以改进。

我有自己的进化算法框架。

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.

我做了一个完整的GA框架，命名为“GALAB”，解决了很多问题:

定位GSM ANTs (BTS)以减少重叠和空白位置。 资源约束项目调度。 进化图景的创造。(Evopic) 旅行推销员问题。 n -皇后和n -颜色问题。 骑士之旅和背包问题。 魔方和数独谜题。 字符串压缩，基于超字符串问题。 二维包装问题。 微型人工生命APP。 鲁比克难题。

我曾经尝试制作一个围棋电脑播放器，完全基于基因编程。每个程序都将被视为一系列动作的评估函数。即使是在一个相当小的3x4板上，制作的程序也不是很好。

我使用Perl，并自己编写了所有代码。我今天会做不同的事情。

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。

I used a simple genetic algorithm to optimize the signal to noise ratio of a wave that was represented as a binary string. By flipping the the bits certain ways over several million generations I was able to produce a transform that resulted in a higher signal to noise ratio of that wave. The algorithm could have also been "Simulated Annealing" but was not used in this case. At their core, genetic algorithms are simple, and this was about as simple of a use case that I have seen, so I didn't use a framework for generation creation and selection - only a random seed and the Signal-to-Noise Ratio function at hand.