遺伝的アルゴリズム（GA）とは？仕組みと基本プロセスを徹底解説

現代のコンピュータ科学や人工知能（AI）の分野では、膨大な選択肢の中から最適な答えを見つけ出す「最適化問題」を解決するために様々な計算モデルが研究・実用化されています。その中でも、生物が何億年もの歳月をかけて行ってきた自然進化の仕組みを、そっくりそのまま計算機上で模倣したユニークで強力なアプローチが「遺伝的アルゴリズム（Genetic Algorithm: GA）」です。

本記事では、遺伝的アルゴリズムの起源から始まり、符号化、適応度評価、選択淘汰、交叉、突然変異といった基本プロセスの数理的な背景を分かりやすく解説します。また、これが進化型ジェネレーティブアート・シミュレータ「gene46（ジーン46）」においてどのように応用されているのかについても紐解きます。

1. 遺伝的アルゴリズムの起源と適者生存のコンセプト

遺伝的アルゴリズムは、1970年代にミシガン大学のジョン・ホランド（John Holland）教授らによって提唱されました。これはチャールズ・ダーウィンの有名な「自然選択説（適者生存）」に基づいています。

自然界において、環境に最も適応した生物が生き残り、その優れたDNA（遺伝情報）を次の世代へ引き継ぎ、何世代にもわたる交雑と変異を繰り返すことで、環境に最適化した高度な身体構造を獲得していきます。この「世代交代による環境適応プロセス」を数理モデル化し、最適化問題を解く手法として移植したものがGAです。

従来の数式的な最適化手法（例えば、勾配法など）では、関数の形が数学的に綺麗（微分可能）でなければ解けないという大きな弱点がありました。しかし、自然の進化プロセスを真似たGAは、「数式で表すことが極めて困難な問題」や「選択肢が爆発的に存在する組み合わせ最適化問題」に対して、非常にタフで優れた性能を発揮します。

2. 遺伝子表現と符号化（エンコーディング）の設計

遺伝的アルゴリズムを機能させるためには、まず解きたい問題の「パラメータ」を生物のDNAのようにコード化する必要があります。これを符号化（エンコーディング）と呼びます。

一般的には `0` と `1` のビット列で表現する「バイナリ符号化」が有名ですが、現代の応用例では、パラメータの数値をそのまま配列にする「実数符号化」が広く使われています。

3. 遺伝的アルゴリズムの4大要素と基本アルゴリズム

GAは、初期プールが作成された後、以下の「評価・選択淘汰・交叉・突然変異」のサイクルを繰り返すことで動作します。この一連のステップを総称して「世代交代（Generation Loop）」と呼びます。

ステップ1：初期集団（Population）の生成

まず、ランダムな遺伝情報（DNA）を持つ個体を複数作成します。集団全体のサイズは「個体群サイズ（Population Size）」と呼ばれ、通常50〜200個体程度で設計されます（gene46では1世代に100個体が設定されています）。これが進化のスタートラインである「第0世代」となります。

ステップ2：適応度評価（Fitness Evaluation）

各個体が「目的の課題」をどれだけ上手く解けているかを評価し、数値化します。この数値を適応度（Fitness）と呼びます。

通常の最適化問題（ルート探索や部品設計）では、移動距離や素材コストなどを数式（フィットネス関数）として機械が自動で評価します。しかし、gene46のように「美しさ」や「好み」を評価する場合は、数式による評価が不可能です。このような仕組みは「交互作用型遺伝的アルゴリズム（Interactive GA: IGA）」と呼ばれ、ユーザーが直感的に行う「いいね（右スワイプ）」や「ダメね（左スワイプ）」という選択行動そのものが適応度の決定に直結しています。

ステップ3：選択と淘汰（Selection & Elimination）

適応度のスコアを基に、次世代にDNAを残す権利を持つ「親個体」を選別します。適応度が高い個体ほど選ばれやすく、適応度の低い個体はここで排除（淘汰）されます。選択アルゴリズムにはいくつかのアプローチがあります：

• ルーレット選択: 適応度に比例した確率で個体を選ぶ方法。適応度が高い個体ほど選ばれる確率が高いですが、低い個体もわずかにチャンスを残します。
• トーナメント選択: 集団からランダムに数個体をピックアップし、その中で最も優秀な個体を選択する方法。
• エリート保存戦略: 集団内で最も優秀なトップ数個体を、交叉や突然変異による破壊を加えずに、そのまま次世代に引き継ぐ戦略です。

ステップ4：交叉（Crossover）

選ばれた2つの「親個体」のDNAを組み合わせ（交配）、新しい「子個体」を生成します。親たちの長所を融合させることで、より適応度の高い遺伝子を生み出すコアプロセスです。

• 一点交叉: DNAの特定の一箇所を切断し、それ以降を親Aと親Bで入れ替えて結合します。
• 二点交叉: 切断箇所を二箇所に増やし、真ん中のセグメントを入れ替えます。
• 実数交叉（BLX-αなど）: 親の数値をブレンドし、内分点および一定範囲の外分点からランダムに子の数値を決定します。これにより、親の特徴を受け継ぎつつ、中間的な美しさを創り出すことができます。

ステップ5：突然変異（Mutation）

交叉だけで進化を繰り返していると、親たちの遺伝情報の範囲内にしか変化が起きなくなり、やがて集団全体が同じようなDNAで埋め尽くされてしまいます（遺伝的停滞）。

これを防ぐため、ごく低い確率（通常数％〜10％程度）で、遺伝子の一部を全くランダムな新しい数値に置き換える処理が突然変異です。これによって、親の世代には存在しなかった新たな形状やカラーバリエーション（多様性）が生まれ、進化が行き詰まるのを防ぐことができます。

4. なぜ遺伝的アルゴリズムはこれほど強力なのか？

GAが様々な分野で採用される最大の強みは、**「勾配のない複雑な地形でも最適解を探せる」**点にあります。

例えば、山の頂上（最適解）を探すとき、従来の「勾配法」は周囲の傾斜だけを頼りに一歩ずつ登ります。しかし、山がたくさんある地形では、目先の小さな丘の頂上に着いた時点で「ここが世界で一番高い場所だ」と勘違いして動けなくなってしまいます（これを**局所最適解の罠**と呼びます）。

これに対し、GAは100人（100個体）の探索者を地形全体の様々な場所にランダムに配置し、それぞれの登頂状況を見比べながら「高い場所にいる探索者の近くに新しい探索者を次々に送り込み、時折ランダムに空からパラシュートで未知の場所に人を降ろす（突然変異）」という多面的な探索を行います。この「集団による協調探索」と「突然変異による偶然の跳躍」の絶妙なバランスこそが、GAが極めて難解な最適化問題を解ける理由です。

5. まとめとgene46における遊び方

遺伝的アルゴリズムは、コンピュータの中に生物さながらの「命の営みと試行錯誤」を再現する非常にエキサイティングな技術です。

gene46であなたがスワイプするたびに、裏側では何万回ものパラメータ演算が行われ、あなた自身の「美的選択」という淘汰圧を受けてアートが進化しています。ゲームをプレイする際は、あなたのスワイプという適応度評価が、どのように幾何学的な線の曲線や色彩を高世代に向けて磨き上げていくのか、その生命的な進化プロセスをぜひ楽しんでみてください。