【進化から学ぶ】遺伝的アルゴリズムとは？仕組み・手順・活用事例をわかりやすく解説

【進化から学ぶ】遺伝的アルゴリズムとは？仕組み・手順・活用事例をわかりやすく解説🧬

「自然淘汰」や「遺伝」をヒントにしたアルゴリズム、遺伝的アルゴリズム（Genetic Algorithm, GA）。
機械学習・最適化問題・自動設計など、さまざまな分野で使われています。

この記事では、GAの仕組み・アルゴリズムの流れ・具体的な使い方を、初心者向けにやさしく解説します💡

遺伝的アルゴリズムとは？

**遺伝的アルゴリズム（GA）は、生物の進化の過程（自然選択・突然変異・交叉）**を模倣して、最適解を探すアルゴリズムです。

一般的な数式ではなく、「世代交代」を通じて、より良い解に進化していくのが大きな特徴です🌱

GAの基本の考え方

GAでは、次のようなステップを繰り返します：

初期集団（個体群）の生成
適応度の評価（どれだけ良いか）
選択（優秀な個体を選ぶ）
交叉（親の遺伝子を混ぜる）
突然変異（少しだけ変化させる）
新世代を作り、繰り返す

このサイクルを何十回、何百回と繰り返すことで、最適解に近づいていきます🔥

遺伝子（個体）の表現方法🧬

GAでは「解」を**遺伝子（chromosome）**として表現します。

例）0と1のビット列で「旅行の順番」や「機械の配置」などを表す：

個体A=[1,0,1,1,0,0,1]\text{個体A} = [1, 0, 1, 1, 0, 0, 1]

このビット列が進化の対象になります。

各ステップの詳細🧩

✅ 初期集団の生成

ランダムに複数の解を生成。スタートは適当でOK！

✅ 適応度（Fitness）評価

各個体が「どれだけ良いか」をスコア化。
→ 例：コストが低いほど高得点など。

✅ 選択（Selection）

適応度が高い個体ほど選ばれやすくする。
代表的なのは「ルーレット選択法」や「トーナメント選択法」。

✅ 交叉（Crossover）

2つの個体（親）から新しい個体（子）を作る。
例：

親A: [1 0 1 | 1 0 0]  
親B: [0 1 0 | 1 1 1]  
↓  
子:  [1 0 1 | 1 1 1]

✅ 突然変異（Mutation）

ランダムにビットをひっくり返すことで多様性を保つ。

[1,0,1,0]⇒[1,0,0,0][1, 0, \textcolor{red}{1}, 0] \Rightarrow [1, 0, \textcolor{blue}{0}, 0]

GAの強み・弱み⚖️

強み ✅	弱み ❌
局所解に陥りにくい（グローバル探索）	収束に時間がかかる場合あり
数式不要、ブラックボックスでも使える	パラメータ調整が難しいことも
並列処理しやすい	厳密な最適解が保証されない

実例：旅行セールスマン問題（TSP）

「最短で全都市を巡る順番は？」
この組合せ最適化問題も、GAで解くことができます。

各個体：都市の並び順
適応度：移動距離の逆数
交叉：順番の一部を親からコピー
突然変異：都市の位置を入れ替える

実際にGAでTSPを解くと、短時間でかなり良い解が得られます⏱️✨

Pythonで簡単なGA（ライブラリなし）

import random

def fitness(x):
    return -abs(42 - x)  # 42に近づける問題

population = [random.randint(0, 100) for _ in range(10)]

for generation in range(50):
    population.sort(key=fitness, reverse=True)
    next_gen = population[:2]  # エリート選択

    while len(next_gen) < 10:
        parents = random.sample(population[:5], 2)
        child = (parents[0] + parents[1]) // 2
        if random.random() < 0.1:
            child += random.randint(-5, 5)
        next_gen.append(child)

    population = next_gen

print("Best solution:", population[0])

まとめ📝

遺伝的アルゴリズムは「進化の仕組み」を応用した最適化手法
選択・交叉・突然変異を使って解を洗練していく
数式不要で直感的に使える！
複雑な組合せ問題や探索問題に強い

「迷路の自動生成」「機械のレイアウト最適化」「AIキャラクターの行動進化」など、創造的な応用も広がっています🌟

GAの具体的な実装チュートリアルや、Pythonライブラリ（DEAP、PyGADなど）の紹介記事もご希望があればお届けします📘お気軽にリクエストしてください！