التعلم التدريجي القائم على السكان

public void optimize ( ) { final int totalBits = getTotalBits (); final double [] probVec = new double [ totalBits ] ; Arrays.fill ( probVec , 0.5 ); bestCost = POSITIVE_INFINITY ; for ( int i = 0 ; i < ITER_COUNT ; i ++ ) { // إنشاء N جين final boolean [ ] [] genes = new [ N ][ totalBits ] ; for ( boolean [] gene : genes ) { for ( int k = 0 ; k < gene.length ; k ++ ) { if ( rand_nextDouble ( ) < probVec [ k ] ) gene [ k ] = true ; } }// حساب التكاليف final double [ ] costs = new double [ N ] ; for ( int j = 0 ; j < N ; j ++ ) { costs [ j ] = costFunc.cost ( toRealVec ( genes [ j ] , domains )) ; }// إيجاد الجينات ذات التكلفة الدنيا والقصوى boolean [] minGene = null , maxGene = null ; double minCost = POSITIVE_INFINITY , maxCost = NEGATIVE_INFINITY ; for ( int j = 0 ; j < N ; j ++ ) { double cost = costs [ j ] ; if ( minCost > cost ) { minCost = cost ; minGene = genes [ j ] ; } if ( maxCost < cost ) { maxCost = cost ; maxGene = genes [ j ] ; } }// قارن مع الجين ذي التكلفة الأفضل إذا ( كانت التكلفة الأفضل > التكلفة الدنيا ) { التكلفة الأفضل = التكلفة الدنيا ؛ الجين الأفضل = الجين الأدنى ؛ }// تحديث متجه الاحتمالية باستخدام الجينات ذات التكلفة القصوى والدنيا for ( int j = 0 ; j < totalBits ; j ++ ) { if ( minGene [ j ] == maxGene [ j ] ) { probVec [ j ] = probVec [ j ] * ( 1d - learnRate ) + ( minGene [ j ] ? 1d : 0d ) * learnRate ; } else { final double learnRate2 = learnRate + negLearnRate ; probVec [ j ] = probVec [ j ] * ( 1d - learnRate2 ) + ( minGene [ j ] ? 1d : 0d ) * learnRate2 ; } }// طفرة for ( int j = 0 ; j < TotalBits ; j ++ ) { if ( rand . nextDouble () < mutProb ) { probVec [ j ] = probVec [ j ] * ( 1d - mutShift ) + ( rand . nextBoolean () ? 1d : 0d ) * mutShift ; } } } }