假设我有一组训练示例，其中A_i是一个属性，结果是二元的（是或否）：

A1,             A2,             A3,             结果红色             深色            大           是绿色           深色            小           是橙色          明亮          大           否

我知道我必须定义适应度函数。但对于这个问题，它是什么？ 在我的实际问题中，有10个参数和100个训练示例，但这类似的问题。

回答：

我认为这里的困惑来自于这样一个事实：通常适应度函数会返回一些标量，有时是在离散的尺度上，但从不会返回二元的是/否（或真/假）。 从这个意义上说，这看起来更像是一个要用神经网络（或可能是贝叶斯逻辑）解决的“分类”问题。 话虽如此，你当然可以设计一个 GA 来进化任何类型的分类器，而适应度函数基本上可以用正确分类数占总评估数的比例来表示。

另一种纯粹的 GA 方法 – 可能与问题更相关 – 是将**整个分类规则集**编码为遗传算法的给定个体。 从这个意义上说，适应度函数可以表示为一个标量，表示给定的候选解决方案在总数中正确分类的“是/否”分类的数量，等等。 在这篇论文使用实值遗传算法进化用于分类的规则集中可以找到类似的方法。

示例（编码的可能方式之一）：

A1,             A2,             A3,             结果红色             深色            大           是绿色           深色            小           是橙色          明亮          大           否

编码：红色 = 000，深色 = 001，大 = 010，绿色 = 011，小 = 100，橙色 = 101，明亮 = 111，等等。结果：是 = 1，否 = 0

染色体：

A1,             A2,             A3,             结果000             001             010             1011             001             100             1101             111             010             0

以上所有内容都被翻译成一个候选解决方案，如下所示：

000001010-1/011001100-1/101111010-0

你将生成随机的一堆这些，并通过测试整个规则集的适应度（规则集中正确分类数/总分类数）来以你喜欢的任何方式进化它们（在这里要小心选择你的交叉策略！）。

我还建议你听一段 二进制独奏，让自己进入状态。

注意：我非常怀疑这是否适用于由仅 3 条规则组成的规则集，对于 GA 来说宽度不够。