昨天我們聊完了子代出生後所要面臨的第一個挑戰 - 突變。
我們接著來聊聊整個基因演算法裡面最重要的一塊

如何評估音樂的好壞來決定演化方向

也就是所謂的適應值函式 (Fitness Function)。
稍微回憶一下我們前面聊過的一些例子，例如爬山法理面，我們希望找到25宮格裡面的最大數值; 螞蟻演算法裡，目標是找到最短路徑; 這些都是非常容易量化的標準。然而今天在我們使用基因演算法來作曲的時候，你必須要讓AI了解怎麼樣的音樂才是好的音樂，而這正是AI對於藝術創作裡面最難的部分。由於音樂的好壞是相當主觀的且相當難被量化，因此怎麼樣才能讓基因演算法得到一個正確的評估方向就是能不能創作出好聽的音樂的重點。
那麼我們先把Fitness Function這個部分的流程介紹一下，待會再來解釋基因演算法裡最軟的這一塊。

我們再來快速複習一下基因演算法的流程:
(1) 產生個體 (Individual)
(2) 交配 (Crossover)
(3) 突變 (Mutation)
(4) 評分 (Fitness Evaluation)
(5) 適者生存不適者淘汰 (Survivor Selection)
(6) 選出最強的個體成為最佳解

在我的們子代從步驟(2)被生出來後，緊接著經過步驟(3)的突變洗禮，接著就要被步驟(4)的適應值函式給一一做評分，評分的目的是為了評估每一個個體的好壞以及成為步驟(5)裡面是否能夠存活的依據。

換個角度想，這就是一場大型的魷魚遊戲 (以下無暴雷請安心服用)，而你身為掌管全局的人，可以自行決定要讓猜賽者玩什麼樣的遊戲 (Fitness Function)，再進一步靠你所決定的遊戲 (Fitness Function)來淘汰弱者並且留下強者。

回到本篇重點，要如何才能讓AI知道怎麼樣的音樂是好的而怎麼樣的音樂是壞的呢?
第一個直覺的想法:
既然音樂是主觀的，而決定這項喜好的又是人類，
那麼就直接讓人類來當Fitness Function的評分員吧。

而這樣的機制就是所謂的互動式遺傳演算法 (Interactive Genetic Algorithm, IGA)。
流程來說就是在每次需要評分的時候，就讓人類參與進來這個過程，並且針對每一個要做評分的個體給予一個分數，例如我們將音樂的分數標準訂為 0~100，則擔任評分員的人類在聽過每一首演化出來的音樂之後就依照自身的喜好給予一個分數，這樣子的評分機制，可以讓演化的結果最後朝著參與評分人員心理最主觀的好聽的音樂方向去演化，相對的來說也比較容易創作出符合個人喜好的音樂。

然而IGA的缺點也很明顯，假設我們設定的個體數量為100，而演化的世代(Generation) 也設定為100就好，這代表每一個世代中，擔任評分員的人類必須要完全聽過這100首音樂並給予評分，100個世代總共就要對10000首音樂做評分，先不提這過程的曠日費時 (假設一首音樂30秒，每一個世代就要花費至少50分鐘，一百個世代就要花費八十幾個小時)，這過程中最大的問題在於人類對於這樣的過程很容易產生聽覺疲勞，試想如果你要一次聽一百首音樂，這個過程還要重複一百次，那麼有非常高的機率在你累積疲勞到一定程度後，你已經無法準確的分辨哪些音樂好聽哪些音樂難聽，而這就大大的影響了演化的方向與品質，導致最後產生的音樂並不是經過適當的評估而產生出來的最佳結果。

那麼是否有其他的方式可以避開這樣的聽覺疲勞問題呢？我們留待明天再繼續跟大家聊聊 基於規則(Rule-Based) 的 適應值函式(Fitness Function) 要怎麼設計。