假设我有一组训练示例，其中A_i是属性，结果是二进制（是或否）：
A1, A2, A3, Outcome
red dark large yes
green dark small yes
orange bright large no
我知道我必须定义健身功能。但是这个问题是什么呢？在我的实际问题中，有10个参数和100个训练示例，但这是一个类似的问题。
最佳答案
我认为这里的困惑来自这样一个事实，即通常情况下，适应度函数会给您一些标量，有时是离散量，但永远不会是二进制的是/否（或是/否）。从这个意义上讲，这更像是一个用神经网络（或可能的贝叶斯逻辑）解决的“分类”问题。如此说来，您当然可以设计出一种GA来演化任何种类的分类器，并且适应度函数基本上会根据总评估的正确分类来表示。
另一个纯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。从这个意义上讲，适应度函数可以表示为标量，表示给定的候选解决方案在总数上有多少个是/否分类，依此类推。在本文Using Real-Valued Genetic: Algorithms to Evolve R,de Sets forClassification中可以找到类似的方法。
示例（对此进行编码的一种可能方法）：
A1, A2, A3, Outcome
red dark large yes
green dark small yes
orange bright large no
编码：红色= 000，黑暗= 001，大= 010，绿色= 011，小= 100，橙色= 101，明亮= 111等
结果：是= 1，否= 0
染色体：
A1, A2, A3, Outcome
000 001 010 1
011 001 100 1
101 111 010 0
以上所有内容均转换为候选解决方案，如下所示：
000001010-1/011001100-1/101111010-0
您将随机生成一堆，并通过测试整个规则集的适用性（规则集中正确的分类/总分类）来随心所欲地进行进化（请谨慎选择此处的交叉策略！）。
我还建议您收听binary solo，以使您心情愉快。
注意：我高度怀疑这是否适用于仅由3条规则组成的规则集，而对于GA来说宽度不够。