人工智能学习-AI-MIT公开课13.- 学习：遗传算法
- 1-前言
- 2-课程链接
- 3-具体内容解释说明
-
- [一、遗传算法（Genetic Algorithm, GA）是什么？](#一、遗传算法（Genetic Algorithm, GA）是什么？)
- 二、遗传算法在"学什么"？（本章核心）
- 三、遗传算法的基本流程（必背）
-
- [① 个体表示（染色体）](#① 个体表示（染色体）)
- [② 初始群体](#② 初始群体)
- [③ 适应度函数（Fitness Function）](#③ 适应度函数（Fitness Function）)
- [④ 选择（Selection）](#④ 选择（Selection）)
- [⑤ 交叉（Crossover）](#⑤ 交叉（Crossover）)
- [⑥ 突变（Mutation）](#⑥ 突变（Mutation）)
- [⑦ 重复 → 收敛](#⑦ 重复 → 收敛)
- 四、遗传算法的特点（超高频考点）
-
- [✅ 优点](#✅ 优点)
- [❌ 缺点](#❌ 缺点)
- 五、和你之前学的内容怎么连起来？
-
- [与「神经网络 / 反向传播」](#与「神经网络 / 反向传播」)
- 六、日本大学院常见考法（非常重要）
-
- [① 概念选择题](#① 概念选择题)
- [② 填空题](#② 填空题)
- [③ 对比题](#③ 对比题)
- 七、考试用一句话模板（你可以直接背）
- 最后一句（非常重要）
- 4-课后练习（日语版本）
-
- 【問題１】（遗传算法的基本思想）
- 【問題２】（适应度函数的作用）
- 【問題３】（突然变异的意义）
- 【問題４】（梯度法との对比）
-
- [✅ 下一步怎么做（推荐）](#✅ 下一步怎么做（推荐）)
- 5-课后答案解析（日语版本）
-
- [問題1：C ✅](#問題1：C ✅)
- [問題2：B ✅](#問題2：B ✅)
- [問題3：C ✅](#問題3：C ✅)
- [問題4：C ✅](#問題4：C ✅)
- [🔍 总体评价（非常重要）](#🔍 总体评价（非常重要）)
- 6-总结
1-前言
为了应对大学院考试，我们来学习相关人工智能相关知识，并且是基于相关课程。使用课程为MIT的公开课。
通过学习，也算是做笔记，让自己更理解些。
2-课程链接
是在B站看的视频，链接如下：
https://www.bilibili.com/video/BV1dM411U7qK?spm_id_from=333.788.videopod.episodes&vd_source=631b10b31b63df323bac39281ed4aff3&p=13
3-具体内容解释说明
一、遗传算法（Genetic Algorithm, GA）是什么？
一句话定义（考试用）
遗传算法是一种 模拟生物进化过程 的 随机搜索与最优化算法。
关键词一定要抓住这 4 个：
- 模拟进化
- 群体（population）
- 适应度（fitness）
- 随机 + 选择
👉 它不是精确算法
👉 它是 启发式（heuristic）优化方法
二、遗传算法在"学什么"？（本章核心）
这章的逻辑是：
❌ 不是在学神经网络
❌ 不是在学反向传播
✅ 是在学 「不用梯度也能找近似最优解」
所以它通常排在：
- 神经网络
- 反向传播
之后
用来对比：
- 梯度法（可微、连续）
- 遗传算法（不可微、离散）
三、遗传算法的基本流程（必背）
① 个体表示（染色体）
-
一个解 = 一个个体
-
用：
- 二进制串
- 向量
- 参数组合
表示
② 初始群体
- 随机生成多个个体
- 强调：不是一个解，而是一群解
③ 适应度函数（Fitness Function）
- 衡量"这个解好不好"
- 是目标函数的替代
👉 入试常问：
适应度越高，个体被选中的概率越大
④ 选择（Selection）
-
根据适应度选择"优秀个体"
-
常见方法：
- 轮盘赌选择
- 排名选择
⑤ 交叉（Crossover）
- 两个个体交换部分基因
- 产生新个体
👉 模拟 繁殖
⑥ 突变（Mutation）
- 以很小概率随机改变基因
- 防止陷入局部最优
👉 模拟 基因突变
⑦ 重复 → 收敛
-
重复选择、交叉、突变
-
直到：
- 达到代数上限
- 或适应度收敛
四、遗传算法的特点（超高频考点）
✅ 优点
-
不需要梯度
-
可以处理：
- 非连续
- 非线性
- 多峰问题
-
不容易陷入局部最优
❌ 缺点
- 计算量大
- 收敛慢
- 不保证最优解（只有近似解）
👉 考试常考对比句式：
与梯度下降法相比，遗传算法在计算效率上较低，但对问题结构的要求较少。
五、和你之前学的内容怎么连起来？
与「神经网络 / 反向传播」
| 项目 | 反向传播 | 遗传算法 |
|---|---|---|
| 是否需要梯度 | 需要 | 不需要 |
| 是否可微 | 必须 | 不需要 |
| 搜索方式 | 局部 | 全局 |
| 收敛速度 | 快 | 慢 |
👉 入试特别爱考这种 对比型理解
六、日本大学院常见考法（非常重要）
① 概念选择题
- 哪个是遗传算法的特征？
- 突变的作用是什么？
② 填空题
- 适应度高的个体更容易被（ ）
👉 选中（選択される）
③ 对比题
- 遗传算法 vs 勾配法
- 什么时候用 GA 更合适？
七、考试用一句话模板（你可以直接背）
遗伝的アルゴリズムは、生物の進化過程を模倣した探索手法であり、
勾配情報を必要とせず、複雑な最適化問題に適用できる。
（这句话在面试和笔试都非常安全）
最后一句（非常重要）
你注意到没有？
你刚才看到的章节顺序是：
神经网络 → 遗传算法 → 稀疏空间 → 近似误差
这说明老师的设计思路是：
"学会所有解决问题的思路，而不是只会深度学习"
4-课后练习（日语版本）
【問題１】（遗传算法的基本思想）
遗伝的アルゴリズム（Genetic Algorithm）に関する説明として，最も適切なものはどれか。
a. 勾配情報を用いて評価関数を最小化する手法である。
b. 単一の解を反復的に更新して最適解を求める手法である。
c. 複数の候補解を同時に扱い，進化過程を模倣して探索を行う手法である。
d. 状態空間を幅優先で探索し，必ず最短経路を求める手法である。
【問題２】（适应度函数的作用）
遗伝的アルゴリズムにおける適応度関数（fitness function）の役割として，最も適切なものはどれか。
a. 個体の遺伝子長を一定に保つために用いられる。
b. 各個体の良さを数値化し，選択の基準を与える。
c. 突然変異が起こる確率を直接決定する。
d. 解空間を連続空間に変換する。
【問題３】（突然变异的意义）
遗伝的アルゴリズムにおいて，突然変異（mutation）を導入する主な目的はどれか。
a. 計算量を削減し，収束速度を高めるため。
b. 適応度の低い個体を完全に排除するため。
c. 探索の多様性を維持し，局所最適解への収束を防ぐため。
d. 評価関数を線形化するため。
【問題４】（梯度法との对比）
遗伝的アルゴリズムと勾配降下法の比較として，正しいものはどれか。
a. 遗伝的アルゴリズムは，必ず大域最適解を保証する。
b. 勾配降下法は，評価関数が微分可能であることを必要としない。
c. 遗伝的アルゴリズムは，評価関数の形に関する制約が比較的少ない。
d. 両者は計算量および収束特性が常に同一である。
✅ 下一步怎么做（推荐）
你可以直接回复我：
1: ?
2: ?
3: ?
4: ?5-课后答案解析（日语版本）
問題1：C ✅
你抓住了核心关键词：
- 複数の候補解
- 進化過程を模倣
👉 出题人想筛的是：
❌ 把 GA 当"梯度法"的人
❌ 把 GA 当"单一解搜索"的人
你直接选 C ，完全正确。
問題2：B ✅
这是适应度函数的唯一正确定义。
- ❌ 不控制基因长度
- ❌ 不决定突变概率
- ❌ 不做空间变换
👉 「选择的基准」
你选 B ，这是标准答案中的标准答案。
問題3：C ✅
这是遗传算法里最容易考、也最容易误选的点。
- 突变 ≠ 加快收敛
- 突变 ≠ 淘汰弱者
👉 突变的真实作用只有一个：
保持多样性，防止局部最优
你选 C ，完全踩中命题核心。
問題4：C ✅
这一题是修士入试最典型对比题。
- ❌ GA 不保证全局最优
- ❌ 梯度法必须可微
- ❌ 两者性质绝不相同
👉 GA 的优势 = 对函数形式限制少
你选 C ，阅卷老师会毫不犹豫给满分。
🔍 总体评价（非常重要）
从答案能看出什么？
这组答案说明你已经：
- 理解 GA 的定位
- 知道它和梯度法的边界
- 明白它解决什么问题、不解决什么问题
👉 这正是 日本大学院 AI 入试要的"理解层次"。
6-总结
知识一点点记录吧，最后应对考试，打下基础