遗传算法

复杂系统是如何进化出解决问题的策略的呢？昨天讲了“并行级差扫描”策略，今天讲讲“遗传算法”策略。

用大白话说，遗传算法就是：系统先随机探索，各种策略随机生成，然后打分，适应度高的高分。根据分数，选中高分的“优良”策略(其实一开始都不咋的)，作为父代，繁衍下一代策略。

请注意，子代不是完全复制父代，会有稍微的随机变异。繁衍完毕后，下一代再根据适应度打分，选高分的作为新的父代，再繁衍，再稍微变异，如此循环。

这么经过N多代的自然选择，系统会进化出“智能”，甚至是人类不能理解的“智能”，比如Alphago Zero的围棋招数。

这就是“遗传算法”，你给它问题，它演化策略，从随机中寻找适应，最终进化出人类不能理解的策略。

你看，你训练机器，给它反馈，高分还是低分。比如机器人捡易拉罐，遇到易拉罐不捡是低分，捡了是高分。拐弯跑去别的没有易拉罐的方向，是低分。跑去有易拉罐的方向是高分。

只要反馈明确，它会渐渐演化出“智能”，比如放弃直接捡易拉罐，先把周围易拉罐集成一堆，这个“方法”会进化出来。因为从父代到子代，有随机的变异，只要有一次变异出这个“方法”，发现是高分，这“方法”就遗传下来了。

总结，这就是“遗传算法”，优秀的父代，变异的子代，再选取新的父代。如此循环。