第三章 解析編碼之演化式分類演算法
3.1 解析式染色體編碼
本研究提出 GAREC 採用類似解析影像的概念，套用在分類資料中。GAREC 所指的解析度是指將訓練的資料維度空間切割成 K 個等份。如圖 3-1，表示一個 二維度的資料空間，每個維度的解析度為 3，整個資料空間的解析度為 32。圖中 每一個方格稱作一個 “解析方格”(Resolution Lattice)。
資料維度-1
料維度-1 中為[4,5]區間，及資料維度-2 為[b,c]區間，若該解析方格表示一分類 類，別則在該區間的資料點都屬於同一個類別。GAREC 透過解析方格的方式將 訓練資料解析成染色體，其特性如下：
1. 定義解析方格區間：找出訓練資料中各個維度的最大值與最小值，並且以解 析度決定方格區間的大小，使每一個方格的大小一致。每一個解析方格皆擁 有各自的類別。
2. 染色體架構：GAREC 的染色體，是由解析後的解析方格所組成，其排列方 式，如圖 3-2 所示。
1 2 3
4 5 6
7 8 9
1 2 3 4 5 6 7 8 9
圖 3-2 染色體編碼排列圖
3. 在 GAREC 的解析編碼中一條染色體就代表一個問題的分類結果。影響染色 體長度的數值為解析度（DPI）及資料維度（DIM），例如：在 2 維度的資料 空間中，解析度為 4 時，其染色體長度為 4*4，長度為 16；在 3 維度的資料 空間中，解析度為 8 時，則長度為 8*8*8，總長度 512。資料維度則是直接 影響次方數，因此資料維度對於染色體長度具有較大的影響力。計算染色體 長度的如公式（1）
DPI
DIM （1）4. 定義訓練資料點所屬方格：每一個訓練資料點，皆擁有自己的位置點，因此 以解析區間決定訓練資料點所屬方格。若資料點位於方格範圍內，則該資料
點屬於該資料範圍，以圖 3-1 為例，若一資料點位置為[5.6,f]則該資料點屬 於方格 3，一個資料維度由公式(2)決定其所屬的解析區間。
⎣
D/Step⎦
+1 （2）3.2 解析編碼之演化式分類演算法
每一個 GAREC 解析方格中，可能含有許多不同類別的資料點。GAREC 演 算法針對此問題時，會將該解析方格再次解析，使每一個解析方格得以完整地表 示一個類別，如圖 3-3 所示。其演算法精神有二：
1. 解析訓練資料，使資料成為解析方格，並將此解析方格組成基因型式。以 GA 決定每一方格的類別。
2. 挑出最佳染色體中適應度不佳的基因，將該基因中未能完全分類的方格再次 解析，使其成為新的子工作。所有子工作重新執行基因演算法的演化分類，
如此反覆重新解析的工作，直到滿足停止條件為止。解析度可因應工作狀況 調整大小，通常呈遞減狀態。
GAREC 編碼流程如圖 3-4，圖中範例為一個 2 維度、解析度為 3 的資料，
解析後的像素序列即是染色體，染色體中的解析方格就是一個基因，一個基因可 能無類別或同時擁有許多類別的資料點。圖示中的染色體有許多基因是同時擁有 兩個或兩個以上類別的資料點，這樣的基因無法演化出最佳的適應度，因此會再 將此基因再次解析，產生子工作。工作佇列如圖 3-5。
圖 3-3 類別解析示意圖
訓練資料
解析訓練資料
染色體
解析子工作
圖 3-4 演化式分類演算法編碼流程圖
圖 3-5 工作佇列示意圖