學習如何使用 Python 寫基因演算法( Genetic Algorithm )的程式，以及如何最佳化機器學習演算法的性能
https://softnshare.com/machine-learning-optimization-using-genetic-algorithm/
遺傳演算法 在 軟體開發學習資訊分享 Facebook 的精選貼文
同時也有2部Youtube影片，追蹤數超過11萬的網紅sowhan Q，也在其Youtube影片中提到，--加入: https://www.youtube.com/channel/UC7iIGOn477JNYG7WcNDmStw/join --粉專: https://www.facebook.com/Sowhaner/ --實況: https://www.twitch.tv/sowhan/ --IG...
遺傳演算法 在 軟體開發學習資訊分享 Facebook 的精選貼文
NT330 特價中
以 Unity 配合 C# 和 Tensorflow 實踐高階遊戲 AI 與遺傳演算法、神經網路和 Q-learning
如果你可以建立一個能在玩的時候也能學習的角色會是什麼狀況呢？ 想想你可以開發出讓敵人開始比玩家更聰明的遊戲類型。 這就是遊戲中的機器學習。 在本課程中，我們將發現人工智慧的迷人世界，超越簡單的東西，並檢查日益流行的機器學習自我思考的領域。
https://softnshare.com/machine-learning-with-unity/
遺傳演算法 在 軟體開發學習資訊分享 Facebook 的最讚貼文
NT370 特價中
課程說明
如果你可以建立一個能在玩的時候也能學習的角色會是什麼狀況呢？ 想想你可以開發出讓敵人開始比玩家更聰明的遊戲類型。 這就是遊戲中的機器學習。 在本課程中，我們將發現人工智慧的迷人世界，超越簡單的東西，並檢查日益流行的機器學習自我思考的領域。
在本課程中，Penny 介紹了流行的遺傳演算法和神經網路的機器學習技術，她運用了她在國際上廣受讚譽的教學風格和博士學位遊戲人物 AI 的知識，以及超過 25 年的遊戲和計算機圖形學工作經驗。 此外，她還寫了兩本關於遊戲 AI 的獲獎書籍，以及另外兩本關於 Unity 遊戲開發的暢銷書。 在整個課程中，你將跟著一些實踐性的工作坊學習，這些工作坊旨在教你基本的機器學習技巧，提煉數學知識，使這個主題對於初學者來說更容易理解。
https://softnshare.com/machine-learning-with-unity/
遺傳演算法 在 sowhan Q Youtube 的最佳解答
--加入: https://www.youtube.com/channel/UC7iIGOn477JNYG7WcNDmStw/join
--粉專: https://www.facebook.com/Sowhaner/
--實況: https://www.twitch.tv/sowhan/
--IG: https://www.instagram.com/sowhan_q/
--discord: https://discord.gg/EbAKDVC
搜憨商業聯絡: panandy2009@hotmail.com
設備:
麥克風: https://amzn.to/2nzWSNE
視訊鏡頭: https://amzn.to/2nBTTUJ
滑鼠: https://amzn.to/2KReaPz
鍵盤: https://amzn.to/2vKB1Yd
耳機: https://amzn.to/2Pcg28U
#殺戮尖塔 #SlaytheSpire
字幕協助: http://www.youtube.com/timedtext_cs_panel?tab=2&c=UC7iIGOn477JNYG7WcNDmStw
遺傳演算法 在 PanSci 泛科學 Youtube 的精選貼文
#科學大爆炸 3月 AlphaGo V.S. 李世乭的世紀圍棋大賽，人工智慧以4:1下贏了天才棋士李世乭，開啟了人工智慧的新里程碑。
究竟AlphaGo厲害在哪裡？第四場為什麼AlphaGo會輸呢？人工智慧比人腦厲害在哪裡？我們真的就從此贏不了電腦了嗎？一起來聽聽台灣紅面棋王周俊勳，和又懂人工智慧又下棋的于天立老師怎麼說！
延伸必讀：
AlphaGo 爆冷從李世乭手中拿下首勝。台灣棋王怎麼看？電腦為何辦得到？
https://panx.asia/archives/42998
AlphaGo成為「棋靈王」是有多厲害？人工智慧未來又要怎麼走？
http://pansci.asia/archives/95263
AlphaGo既不是起點也不會是終點，從頭述說人工智慧走過的這70年
http://pansci.asia/archives/94904
人工智慧贏了圍棋，然後呢
http://blog.udn.com/DrVader/45626041
＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿
周俊勳 棋士：
臺灣棋院九段、中國圍棋協會三段、職業圍棋棋士，是臺灣1979年成立職業圍棋制度以來第一位職業九段棋手。因右臉有大片紅色胎記，號紅面棋王。
他是世界圍棋棋壇上唯一擁有三個職業圍棋組織（中國圍棋會，中國圍棋協會（中國棋院），臺灣棋院）棋籍的棋手。
https://goo.gl/zU5l6A
于天立 副教授：
任教於台大電機系，研究領域為基因遺傳演算法、 演化計算、機器學習、人工智慧。
俞俐均 棋士：
職業一段，為目前台灣職業圍棋最年輕的女棋士。
http://times.hinet.net/news/18253327
遺傳演算法 在 [Algorithm]基因演算法Genetic Algorithm - MC Shih 的推薦與評價
基因演算法（Genetic Algorithm）是一種求函數極值的最佳化（函數的最大或最小值）的方法。 它的想法是來自於基因遺傳，透過細胞分裂將好的基因保留， ... ... <看更多>
遺傳演算法 在 Re: [問題] 基因演算法收斂- 看板Programming 的推薦與評價
※ 引述《KJFC (KJFC)》之銘言：
: 基因演算法收斂的時候
: 如果收斂在局部最佳解
: 那要怎麼跳脫比較好
: 我有試過調高突變率
: 但是效果不太好
: 在收斂前上下震盪
: 但是又不知道如何判斷是否接近收斂
: 如果在收斂後才震盪
: 有時又會收斂回局部解
: 請問這個問題應該怎麼解決?
首先你要知道，這不是一個可以100%解決的問題，我們做的事頂多是「嘗試」提
升它掉到最佳解的機會，可是這只是機率上的，運氣不好或解的分佈很奇特的話，會
掉到局部解就是會掉下去，沒法完全避免。
回到你的問題，其實你的描述不太精確，你的說法意思是你過程中「曾經」碰到
那個最佳解，但是後來又跳走？既然如此你的評估函式看到它的話應該會把它留下來
才對呀？或者說是因為你的評估函式為了加速或某些特定原因所以並非100%準確，因
此最佳解不一定得到最高分，所以有可能放走？如果是這樣，除了修正評估函式以外
，頂多就是留下更多組讓最佳解留下來的機會更大吧。
如果你的問題其實不是這樣，而是跳來跳去都不會跳到最佳解，一直在局部解跳
，那就是調高突變讓它有機會跳出來跳到最佳解去，然後你可以嘗試使用如模擬退火
（Simulated annealing）的方式慢慢把突變機率降下來，讓它慢慢地不亂跳。但這
只是增加一些可能性而已，如你的描述，可能問題一開始就很容易落入局部解，不管
大跳多少次孔明都挖好洞，你只能像曹操一樣每笑一次就逃一次，這樣的情況也沒什
麼辦法。
以下引用中文wiki，你提到的也正在基因演算法的最大問題之中，而我講的可能
解法在最後一行：
儘管遺傳演算法有許多優點，也有許多專家學者對遺傳演算法進行不斷研究，但目前存
在的問題依然很多，如：
(1)適應度值標定方式多種多樣，沒有一個簡潔、通用的方法，不利於對遺傳演算法的
使用。
(2)遺傳演算法的早熟現象(即很快收斂到局部最優解而不是全局最優解)是迄今為止最
難處理的關鍵問題，但可考慮自適應跟蹤成熟度[1]。
(3)快要接近最優解時在最優解附近左右擺動，收斂較慢。
遺傳演算法通常需要解決以下問題，如確定編碼方案，適應度函數標定，選擇遺傳操作
方式及相關控制參數，停止準則確定等。相應地，為改進簡單遺傳演算法的實際計算性
能，很多學者的改進工作也是分別從參數編碼、初始群體設定、適應度函數標定、遺傳
操作算子、控制參數的選擇以及遺傳演算法的結構等方面提出的。其基本途徑概括起來
主要有下面幾個方面：
(1)改進遺傳演算法的組成成分或使用技術，如選用優化控制參數、適合問題特性的編
碼技術等。
(2)採用混合遺傳演算法(Hybrid Genetic Alogrithm)，比如混用簡單明了的粒子群演
算法[2]。
(3)採用動態自適應技術，在進化過程中調整演算法控制參數和編碼精度，比如使用模
糊自適應法[1]。
(4)採用非標準的遺傳操作算子。
(5)採用並行演算法。
幾種常見的改進遺傳演算法：
(1)分層遺傳演算法(Hierachic Genetic Alogrithm);
(2)CHC演算法;
(3)Messy遺傳演算法;
(4)自適應遺傳演算法(Adaptive Genetic Alogrithm);
(5)基於小生境技術的遺傳演算法(Niched Genetic Alorithm);
(6)並行遺傳演算法(Parallel Genetic Algorithm);
(7)混合遺傳演算法:
①遺傳演算法與最速下降法相結合的混合遺傳演算法；
②遺傳演算法與模擬退火法相結合的混合遺傳演算法。
--
「如果你沒法給我個解釋的話，死一萬次也不能彌補你的過錯！」
「我沒辦法死一萬次賠妳啊。」
「可是你有辦法半死兩萬次，知道嗎，嗯？」
－－蓮．席斯塔
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 114.36.175.125
※ 文章網址: https://www.ptt.cc/bbs/Programming/M.1414862996.A.35A.html
... <看更多>