您的位置：关键词：遗传算法
实际上实现繁殖的是一个随机的8位位掩码。我们只把这个位掩码和第一个双亲的DNA（请记住，它只是一个字节）作AND运算，并且把位掩码取反后和第二个双亲的DNA作AND运算。结果，我们可以从一个双亲上随机选择某些位，其余的来自另外一个双亲。
变异是通过对个体的DNA和随机生成的8位位掩码作AND和OR运算实现的。
对了，顺便说一下，最适应的DNA当然是255。您并不需要等待100,000代。当您只是在欣赏状态行时，请按Ctrl-C结束。
繁殖单词
在这个例子里，我们用的DNA是32位（5个字节）的。每个字节代表一个字母或者一个空格。我们本来可以在一个字节中包含更多的信息，但是这样可能会使这个例子的本意变得模糊。每一字节的值（介于0-255之间的数值）可能对应A到Z之间的一个字母（如果它的值在65到90之间，便于选择同ASCII码集相匹配），或者也可能是一个空格（如果数值介于0到64之间，或91到255之间的话）。
请关注一下下面的这个例子和清单1的例子的相似之处。dictionary的单词跟在程序的后面。
清单3.繁殖单词
words.pl source
这个例子的主要问题在于长度超过32位的DNA不好处理。开始我尝试着自己做位操作，结果不仅仅是难处理，而且速度极慢。然后，我试了一下Math::BigInt包，用在这里还是非常慢。 您可以运行清单3，程序文件为words.pl。
最后，我决定使用vec()函数—它的速度相当快，对于处理DNA而言，它无疑是正确的选择（本质上，DNA是个位向量，一个内建的Perl数据结构）。用“perldoc-f vec”查找更多有关vec()函数的信息。
1024个个体的适应性为0的结果也是有可能出现的。这个例子比第一个例子能更有效的预防这样的“意外”的原因正在于此。
修改init_population()、recombine()和mutate()函数以处理位向量而非字节。
dna_to_words()函数的效率不高，但并不经常调用它，所以问题不是很严重。速度慢的最主要的因素是fitness()函数试图匹配dictionary里的所有单词，以及字母表里的所有字母。
适应性是这样计算的：DNA里的每一个字母是一个2，加上那个字母在dictionary里出现的频率，再为DNA里长度为N的每个dictionary单词加上2^N。dictionary数组以及字母频率的散列只得到一次（使用closure）。您可以任意修改适应性函数和dictionary来繁殖您自己的英语单词。如上所示的适应性公式很大程度上偏向字母，要汇集成英语单词还需要一定的时间（尽管“on”和“in”频繁出现）。
结束语
进化遗传算法是个非常吸引人的话题，在一篇文章中想把所有内容都讲清楚几乎是不可能的。我希望您能实践一下这些例子，并创建您自己的达尔文繁衍基础。试试第二个例子中的fitness函数，看着英文单词从原本无意义的字母和空格中出现，这真是一项非常有意思的娱乐。
上面的例子中用到的技巧涵盖了从初级到高级的范围，因此请尽量彻底理解这些内容。通常情况下仍有改进的空间。vec()函数尤为有趣。它非常适合于象DNA或者其它的数值数据之类的长的位向量。