這一節的標題是
9.5 Customizing Genetic Algorithms
因為方格子標題字數限制，所以沒完整顯現
GA的步驟很單純，所以在使用GA解決不同的問題時，基本上程式需要修改的部分很少，像挑選、繁殖等核心步驟，是完全不需要修改的。事實上，不管是要用GA解決什麼樣的問題，只把三個關鍵部分調整、修改一下就可以了。接下來就來看看，這三個關鍵部分，要怎麼因應問題來調整、修改。
Key 1: The Global Variables
族群規模及突變率是影響GA行為甚鉅的兩個參數。那這兩個參數要用多大的數值才能得到最好的效果呢？這問題沒有標準答案。不過，倒是有些基本的方向可供參考。
族群的規模大小，會對GA的行為有什麼影響呢？簡單來說，族群的規模越大，越容易在比較少的世代數量下演化出解答。既然如此，那是不是一律都用很大的族群就好了呢？恐怕不是這樣的！因為族群規模越大，每個世代所需處理的個體數量就會越多，處理所需的時間也會越長。使用比較小規模的族群，雖然需要演化的世代數量比較多，但因為每個世代所需處理的個體數量比較少，所以演化出解答的時間，並不見得會比大規模族群所需的時間來得長。因此，當想加快演化速度時，可別一味地加大族群規模，而應該試著調整另一個對GA效能也有顯著影響的參數：突變率。突變率的範圍為0～1；突變率越大，代表演化的隨機性越高。突變率為0時，代表演化是確定性的；能不能演化出解答，完全靠運氣。以電腦猴打字的例子來說，如果一開始的時候所有正確的字元都存在於族群的元素中，那很快就能演化出正確的答案；如果不是這樣的話，那演化到地老天荒也演化不出解答來。至於突變率為1，則代表系統的演化完全是隨機的；雖然最終可以得到解答，但有可能所需的時間會讓人無法接受。所以，想減少演化的時間，也別一味地加大突變率，那有可能會因為引入過多的隨機性，反而使得演化時間變長。
總之，族群規模和突變率並非越大越好，當然也不是越小越好。這兩者應該互相搭配、調整，才能有效地提高GA的演化效能。
Key 2: The Fitness Function
適應度函數是否設計得當，是GA能否成功演化出解答的關鍵。道理很簡單，因為適應度函數的作用就在告訴GA，演化有多成功、離目標有多遠，這樣GA才會朝目標所在的方向演化，最後也才能到達目標所在的位置。
設計適應度函數時，最主要的目標，是要能用數值清楚地告訴GA演化有多成功。那要怎麼設計呢？這沒有標準答案；不過有些設計技巧倒是可以學一下，除了可以避免在設計時踩雷，設計出效果不好的適應度函數，另外也可以藉由各種設計技巧，提高適應度函數的效果。
在設計適應度函數時，應該要避免鑑別度過低的情形；這也就是說，好、壞之間的分數差距不要太小，免得看不出來好壞之間的差異。就以電腦猴打字的例子來說，如果目標是要演化出含有「to be or not to be」這個字串，因為共有18個字母，所以如果把適應度函數定為
fitness = 在正確位置上的正確字元數量 / 總字元數量
這時每相差一個正確字元，適應度函數的值就會有
1 / 18 = 0.0556
的差距。可是，如果目標是要演化出一個由1000個字元所構成的字串，那每相差一個正確字元，適應度函數的值就只會有
1 / 1000 = 0.001
的差距。同樣是只差了一個正確字元，可是適應度函數值的差距，確足足相差了將近56倍。所以，如果目標是要演化出一個由1000個字元所構成的字串，那使用這樣子的適應度函數，其實並不是那麼的恰當。
要避免上述的情況，方法很簡單，把適應度函數改成
fitness = 在正確位置上的正確字元數量
就可以了。這樣子不管目標是要演化出多長的字串，每相差一個正確字元，適應度函數值的差距就都是1。
如果這樣還不夠，那就把適應度函數定為
fitness = (在正確位置上的正確字元數量)2
這樣每相差一個正確字元，適應度函數值的差距會更大。例如，正確字元數量是5和6的兩個個體，雖然正確字元數量只相差1，但其適應度函數值分別是25和36，足足相差了11。
上述的適應度函數，它的值是以二次增長(quadratic growth)的方式增加，而原先的適應度函數，則是以線性增長(linear growth)的方式增加。另外還有一種增加速度更快的是指數增長(exponential growth)。例如
fitness = 2在正確位置上的正確字元數量
同樣正確字元數量是5和6的兩個個體，其適應度函數值分別是32和64，相差了32，比二次增長時的差距還要大很多。
Exercise 9.8
讓適應度函數呈二次增長。
修改DNA類別的calculate_fitness()方法：
def calculate_fitness(self, target):
score = 0
for i in range(self.length):
if self.genes[i] == target[i]:
score += 1
self.fitness = score*score
Population類別的target_score屬性也要跟著修改成
self.target_score = len(target)**2
適應度函數很難一體適用，通常都必須針對應用的場景或要解決的問題重新設計。例如，用於演化電腦猴打字的適應度函數，就不能用於讓老鼠演化出能找到食物的最好方式，因為去數有幾個正確字元的適應度函數，是不可能讓老鼠演化出找到食物的最好方式的；比較好的設計，應該是像這樣：
fitness = 老鼠和食物之間的距離
另一個應用的場景是電玩中NPC的控制。例如足球電玩中，假設進行的是PK戰，守門員是由玩家所控制，而進攻球員則是由電腦控制。每個進攻球員都具有許多用來決定要怎麼踢球的參數。假設我們把適應度函數設計成
fitness = 總進球數
這樣總進球數越高的球員，其參數會越有機會保留下來而在後續的比賽中發揮功效。這也就是說，隨著一場又一場的比賽，由電腦所控制的進攻球員，會越來越適應玩家的防守策略，並演化出更能進球的進攻策略；即便換了個玩家以完全不同的策略來防守，系統也會察覺適應度函數值下降，從而演化出新的進攻策略來讓適應度函數值上升。這種能讓系統自動調整以適應外在變化的能力，也就是演化式運算的威力之所在。
總之，適應度函數如果不能正確地評估出族群中個別元素的演化有多成功，那族群將不會朝我們所希望的方向進行演化；要針對不同的應用場景或要解決的問題來設計專屬的適應度函數，這樣才能確保演化能夠順利進行，並獲得我們想要的結果。
Key 3: The Genotype and Phenotype
最後一個關鍵部分是關於基因型與表現型的設計；這牽涉到要以怎樣的方式將系統屬性編碼，以及如何將想要表現在外的東西給轉成數字。
在電腦猴打字的例子中，那些放在list中的字元就是編碼後的系統屬性，也就是基因型，而顯示在畫面上的字串，則是表現型。這個例子很簡單、很單純，很容易就能看出該怎麼設計基因型和表現型。但事情並不總是這麼簡單。
在前面談到關於足球PK戰電玩的適應度函數設計時提到，每個進攻球員都具有許多用來決定要怎麼踢球的參數，但並沒有提到這些參數究竟是什麼。事實上，這些參數就是基因型。設計基因型時，就是要決定這些參數是什麼東西，以及要用怎樣的方式來將這些參數編碼；這很明顯不是件簡單的工作，而且也沒有標準答案，一切就看你想要怎麼設計。
接下來，就用個實際的例子來看看，基因型和表現型的設計過程。
在設計類別時，我們會設定一堆變數，例如
class Vehicle:
def __init__(self):
self.max_speed = ?????
self.max_force = ?????
self.size = ?????
self.separation_weight = ?????
:
:
想要讓這些變數能夠在GA中進行演化，就只需要把它們轉變成DNA類別中的方法，如crossover()、mutate()等，可以使用的list就可以了。要達到這個目的，一個常見的做法是使用由0～1的浮點數所構成的list，像這樣：
class DNA:
def __init__(self, length):
self.length = length
self.genes = [random.random() for _ in range(self.length)]
這裡要注意一下，之所以選用0～1間的浮點數，就只是因為比較好處理；使用其他範圍的浮點數，也是可以的。透過簡單的計算，在某個範圍的浮點數，可以很容易就映射到不同的範圍中；這個可以參考〈The Nature of Code閱讀心得與Python實作：0.6 A Smoother Approach with Perlin Noise〉的〈Noise Ranges〉小節。
另一個要注意的地方是，我們把原始的遺傳數據，也就是基因型，以及這些數據會外顯表現出來的東西，也就是表現型，分別放在不同的類別中。以DNA、Vehicle這兩個類別來說，DNA類別是基因型，它裡頭就是一堆數據；而Vehicle類別則是表現型，它涉及如何讓基因型的那一堆數據表現在外，最終轉化成動畫以及視覺效果。
藉由在Vehicle類別中納入DNA類別的實例，我們可以將基因型和表現型聯繫起來：
class Vehicle:
def __init__(self):
# 將DNA物件嵌入Vehicle類別
self.dna = DNA(4)
self.max_speed = dna.genes[0]
self.max_force = dna.genes[1]
self.size = dna.genes[2]
self.separation_weight = dna.genes[3]
:
:
基因型並不一定是數字，而可以是任何資料型態。例如，設計具有一系列推進器的火箭時，可以把每個推進器都看成是向量。這時，基因型就可以設計成是向量物件：
class DNA:
def __init__(self, length):
self.length = length
self.genes = []
for _ in range(self.length):
r = random.uniform(0, 10)
theta = random.uniform(0, 360)
# 大小介於0～10，方向為任意方向的推力
thruster = pygame.Vector2.from_polar((r, theta))
self.genes.append(thruster)
至於表現型，則可以設計成一個Rocket類別：
class Rocket:
def __init__(self):
self.dna = ?????
:
:
把基因型和表現型分別放在兩個不同的類別中，最大的好處是，在處理不同的問題或在不同的場景中，放置基因型的那個類別，只要調整、修改放在list中資料的類型，就可以拿來重複使用，不需要整個重新設計或改寫。例如，在火箭的這個例子中，在DNA類別部分，我們就只修改了genes這個list中所存放的資料，而沒有重新設計整個類別。
