遺伝的アルゴリズム

🔥 Vibe プロンプト

「遺伝的アルゴリズムで20都市のTSPを解決。人口100、200世代。最良ルートの進化を表示。」

import random, math

def genetic_algorithm(cities, pop_size=100, generations=200, mutation_rate=0.01):
    n = len(cities)
    def dist(i, j): return math.sqrt((cities[i][0]-cities[j][0])**2 + (cities[i][1]-cities[j][1])**2)
    def fitness(route): return -sum(dist(route[i], route[(i+1)%n]) for i in range(n))
    
    pop = [random.sample(range(n), n) for _ in range(pop_size)]
    
    for gen in range(generations):
        scored = [(fitness(ind), ind) for ind in pop]
        scored.sort(reverse=True)
        pop = [ind for _, ind in scored]
        
        next_pop = pop[:2]
        while len(next_pop) < pop_size:
            p1, p2 = random.choices(pop[:pop_size//2], k=2)
            a, b = sorted(random.sample(range(n), 2))
            child = [-1] * n
            child[a:b] = p1[a:b]
            remaining = [x for x in p2 if x not in child]
            for i in range(n):
                if child[i] == -1:
                    child[i] = remaining.pop(0)
            if random.random() < mutation_rate:
                i, j = random.sample(range(n), 2)
                child[i], child[j] = child[j], child[i]
            next_pop.append(child)
        pop = next_pop
    
    return pop[0], -fitness(pop[0])

章のまとめ

• コアコンセプトと原理を理解
• 実装方法とテクニックを習得
• 一般的な問題と解決策に精通
• 実際のプロジェクトに適用可能

さらに読む

• 公式ドキュメントとAPIリファレンス
• GitHubのオープンソース例
• 技術書とオンラインコース
• コミュニティディスカッションと技術ブログ

実装例

基本例

# 完全な実装例を提供します

手順

1. セットアップ: 開発環境の設定
2. データ: 必要なデータの準備
3. 実装: コア機能の構築
4. テスト: 動作確認
5. 最適化: パフォーマンスの向上

よくあるエラー

| エラー種別 | 原因 | 解決方法 | |-----------|------|---------| | コンパイル | 構文 | コードの構文を確認 | | 実行時 | 環境 | 依存パッケージの確認 | | 論理 | アルゴリズム | ステップごとのデバッグ | | パフォーマンス | 効率 | プロファイラーの使用 |

コード例

import sys

def main():
    print("Hello, World!")

if __name__ == "__main__":
    main()

参考資料

• 公式ドキュメント
• APIリファレンス
• オープンソース例
• コミュニティディスカッション