遗传算法有好多有趣的玩法，不只能用来凑论文

有一款非常魔性的小游戏叫《Boxcar 2D》，游戏主要内容是用几何图形和圆形的轮子组成小汽车，不断走过一条有上下波动的“路”，看什么形状的小车可以走的更远。

但和大部分游戏不一样的是，不用玩家自己手动拼装小车，整个过程完全由算法自动进行，每次随机生成小车，卡到路上了就重新来过。最后小车会越走越远，整个过程中小车的形状会越来越合适，一开始可能只是个“独轮车”，到后期则会很接近我们生活中摩托车的样子。

要问有什么案例能简单明晰的体现出“智能”、“自学习”的概念，这款游戏一定是我的首选。而这款游戏中，应用的就是遗传算法。

简单来说，遗传算法是一种随机搜索算法，主要目的是用来优化。和自然界的遗传一样，遗传算法秉持的是适者生存、优胜劣汰。通过选择、交叉和变异，不断迭代出更优秀的解法。

通过编码，将解空间变成编码空间，从中选择当前较为优秀的解当做“父母”，下一步则是将多种解的特征进行交叉，诞生下一代，最后再经过变异成为“子嗣”。如果“子嗣”还是不能符合要求，那就再进行一次上述步骤，直到满足要求。过程中，较差的基因就会一步步被淘汰。最后再进行解码，就能得到我们想要的结果。

总之，这是一个枚举的过程。就像长颈鹿的进化一样，树叶长在高处，每一只鹿都去尝试吃树叶，只有符合“标准”的长颈鹿能够吃到食物、生产下来并诞生后代。

但要注意的是，这种算法很多时候不会给出一个“最优解”，而是给出一些较为接近的次优解，从中矮子里面拔将军。

遗传算法经常被用来解决一些调度类的问题，比如确定车间工程流程、飞机航线等等。工程、航行中所需要的资源消耗、时间等等权值看做“染色体”，几种染色体排列组合，最终选择其中的较优方案。

此外，机器人中也会用到遗传算法，尤其是快速定位、路径规划等。就像Boxcar这个游戏一样，机器人在仿真环境中不断尝试接近目标，路线的优越度随着路线的长度减少，结合机器人对自身位置的感知，最后得出较优解。

同时，遗传算法也可以被应用于帮助神经网络调参数，只是这种方式需要的时间太长、运算量太大，属于性价比较低的参数调整方式。

在游戏中，也能见到遗传算法的影子。比如说很多游戏会有在同一场景面对多轮敌人的“生存模式”，在这一模式中，敌人的属性是会不断增强的，有了遗传算法，就可以根据你自身属性的变化不断改变敌人的属性，以增强游戏的难度。比如说你的法术强度高，敌人就会增加法术防御度，你的攻击穿透性高，敌人就会增加血量。这样一来相比直接的增加属性，可以有更好的游戏体验。

以上都是一些适用于实际场景的应用，由于遗传算法简单易用，我们可以看到很多娱乐化的、有趣的应用。
比如说，模仿图形。在一款程序中，我们可以看到遗传算法通过几何图形的不断组合，最终慢慢变成接近案例图形的样子。

同时你还可以亲自调整变异的倾向，最终成果虽然和原图相比还有很大差距，但也不乏自己的风格。不过尝试时就可以发现，整个过程时间很长，某种程度上也体现了遗传算法的低效。

基于上述的功能，遗传算法还有一个非常有趣的玩法，那就是“欺骗”深度学习模型。

2014年有一篇论文曾经写过，深度神经网络（DNN）在图片识别上有着很优异的表现。可当用遗传算法模拟图片时，两张图片在人眼看来一模一样，可深度神经网络却完全识别不出来。或者遗传算法可以模拟出一张人眼看起来是“乱码”的图片，却被深度神经网络识别成正常的图片。

这一点让人们注意到了机器视觉和人类视觉的区别，和人类不一样，机器还是会把图像转化为“数字”，再进行比对、识别。这也导致了，有时候深度神经网络会把一张噪声图识别成动物、建筑等等。

除了生成图片，遗传算法还可以生成音乐、宋词等等。将词语和音符输入，让机器随机组合，加入人类评分机制。整个过程几乎和“让猴子在打字前坐几十年可以写出莎翁作品”的假说差不多。基本上只能用于娱乐，不太适合实操。

其实，目前遗传算法已经慢慢淡出了主流算法舞台。虽然主旨是为了避开局部最优误区，为无限解集问题寻找答案，可在实际应用时相比梯度和蒙特卡罗算法都没有明显的差异和优势，常常被视作“玄学算法”。比如计算结果的稳定性差、求解过程没有可复制性等等都是遗传算法的缺点。很长一段时间里，遗传算法都被看做只能用来凑论文的算法。

不过理论也和技术一样，会随着实践和研究不断发展，曾经的神经网络也曾被打入冷宫。最近DeepMind还提出了把神经网络和遗传算法结合，应用到迁移学习中的案例。或许，有朝一日遗传算法还会重新进入我们的视野。