我用遗传算法做了个内卷实验：单一评价标准会让种群趋同

越卷越像：我用遗传算法做了个"内卷"实验

在线体验：http://139.224.13.254:23456/
注意建议用电脑打开，手机屏幕太小容易难以显示完整界面

一、先说结论

我让一群四足机器人在六种不同的"评价标准"下进化，跑了 50 代 × 64 个个体，结果很一致：

只比一个方向（E1/E2/E3）：种群的基因多样性掉到 0.31–0.37，64 个个体里有 34 个都挤在最好成绩的 90% 以内——几乎塌成一个人；
每个方向都算赢（E4/E6）：多样性只掉 4–10%，最好成绩 3.73 / 4.22 米，只比最远的 E2 少 25–34%。

用一句大白话说：当所有人都被同一把尺子量，赢家只有一个，其余人不是变强，是变得一样。

这就是我想用代码演示的"内卷"。

二、为什么做这个

遗传算法有个经典毛病叫早熟收敛：种群过早变得一模一样，失去继续进化的能力。教科书上的解释通常很抽象，我想把它做成一个能看、能玩、能改参数的东西。

载体选了"四足机器人走路"：

它足够难，不是一眼能猜出答案的玩具问题；
它足够直观，走得好不好，肉眼就能判断；
它足够"物理"，每一步都要真的和地面接触，没法作弊。

于是就有了这个项目：同一套进化机制，只换评价标准，看种群会不会变得不一样。

三、它是怎么工作的

1. 一个个体 = 16 个数字

每个机器人有 4 条腿，每条腿 4 个参数：频率、相位、摆幅、抬脚。全部是 0~1 的小数，运行时再换算成物理量。

![16 个基因]

gene_card

比如 0.62 → 频率 1 + 0.62×3 = 2.86 步/秒，0.35 → 抬脚 0.35×0.10 = 3.5 厘米。

2. 一代是怎么跑的

![一代的循环]

ga_cycle

32 个个体各跑 5 秒 → 打分 → 排序 → 取前 8 名 → 交叉 + 变异生 24 个 → 下一代。

3. 交叉与变异

![交叉与变异]
crossover_mutation

交叉：孩子的 16 个位置，每一位掷一次硬币，决定抄爸爸还是抄妈妈；
变异：每个位置有 5% 概率被重置成随机数。

变异率不是越高越好。这个项目实测：20% 的变异率下，每个孩子平均被打散 3.2 个基因，父母刚调好的组合就散了；降到 5% 后，平均距离提升约 60%，倒地率从 49% 降到 33%。

四、六种评价标准

环境	谁算赢	本质
E1 只比 x	向前的位移最大	单一标量
E2 距离原点	离出发点最远，不分方向	单一标量
E3 0.5x + 0.5y	两个方向加权相加	还是单一标量
E4 全方向	存在某个方向，它的投影最远（凸包顶点）	多标准
E5 Pareto	没人同时在 x 和 z 上都压过它	多标准
E6 扇区冠军	每 15° 一个扇区，取扇区内沿自身方向最远的（且 ≥ 全场最远者的 50%）	多标准

![E4 凸包]

e4_direction

E4 是"无数个方向"的精确解：每个方向问一次"谁最远"，答案一定是凸包顶点；灰色点在内部，永远轮不到。

E5 的区别在于它能容纳"凹点"——

![Pareto 与凸包]

pareto_vs_hull

C 没人同时在两项上压过它，所以是 E5 的冠军；但它赢不了任何方向，所以不是 E4 的冠军。

五、实验结果

一次真实实验：50 代、每代 64 个个体、变异 5%、种子 76767、重力 4.9、摩擦 1.5。

环境	多样性（第 1 代 → 第 50 代）	最好成绩	冠军数
E1 只比 x	1.51 → 0.37	2.60 m	34*
E2 距离原点	1.52 → 0.36	5.63 m	34*
E3 0.5x+0.5y	1.56 → 0.31	1.58 m	34*
E4 全方向	1.59 → 1.43	3.73 m	8
E5 Pareto	1.52 → 1.00	2.97 m	16
E6 扇区	1.55 → 1.49	4.22 m	5

* E1–E3 这一列是"达到最好成绩 90% 的人数"：64 个里有 34 个，人多恰恰说明大家太像了。

![实验报告]

experiment_report

三个观察：

单一标准会把人挤成一个：E1/E2/E3 的多样性掉到 0.31–0.37；
多标准几乎不损失成绩：E4/E6 只掉 4–10%，成绩仍有 3.73 / 4.22 米；
加权和不等于多目标：E3 掉 80%、成绩也最差——把两个方向加成一个分数，本质还是单一标准。

六、怎么用这个网站

打开 http://139.224.13.254:23456/，你会看到 32 个小机器人在网格上跑，右上角是控制面板。

实时模式

控件	作用
评价标准	切换 E1–E6，切换后种群重置
种群	8 / 16 / 24 / 32 / 48 / 64
每代	3–20 秒，跑多久算一代
速度	1–8 倍速播放
变异率	默认 5%，建议 2–10%
种子	随机数起点，同一个种子结果可复现
重力	默认 4.9（0.5g），越小越不容易摔但抓地力也小
摩擦	默认 1.40，太低会打滑
摆幅	默认 0.70，步子迈多大
站立加分	勾上后站得越久位移加成越多（全程站住 ×1.5）

左上角的数字会实时刷新：第几代、最好成绩、多少个体倒地。

实验模式

点「实验模式」，可以设代数、每代秒数、变异率、种群、种子、重复次数、时间速率，还有重力、摩擦、摆幅和站立加分。跑的时候六个环境（E1→E6）轮流训练，画面会实时显示正在评估的那批个体。

跑完自动生成报告：

末代散点：点铺成一条线 = 只有一个方向；铺成一圈 = 多个方向共存；
多样性曲线：看它塌不塌；
优胜数曲线：这一代有几个赢家；
方向分布 / 相似度直方图；
汇总表：均值 ± 标准差。

读图顺序建议：先看多样性塌不塌，再看散点铺不铺得开，最后看表确认。

项目介绍

右上角「项目介绍」是一个面向零基础的图文教程，从"16 个数字"讲到六种标准，数学公式放在最后，可以跳过。

七、技术实现

渲染：three.js
物理：Rapier（WASM），每个个体一个独立世界，互不干扰
进化：自写的 GA，锦标赛选择 + 均匀交叉 + 重置变异，种子可复现
构建：Vite + TypeScript，纯静态，6.6 MB
部署：一台 2 核 2G 的云服务器 + nginx，端口 23456

32 个个体同时跑物理，每代 5 秒大约占满一个 CPU 核心的一小部分，所以 2G 内存的机器完全够用。

八、局限与后续

说点实话：

机器人走得不快（0.2–0.5 m/s），因为控制是开环正弦 + 简单反射，大部分力浪费在打滑和四条腿互相抵消上；
数据大多来自单种子，正式结论应该跑 3–5 次重复；
还没做完整的落脚点规划（Raibert 控制器只做了简化版）。

下一步想做的是 trot 步态约束（对角腿同步）和真正的落脚点规划，这两项最有可能把速度提上去。

九、结语

这个项目没有多高深的技术，但它把一件抽象的事变得能看见：评价标准的设计，本身就在塑造种群。

如果它对你有用，或者你发现了什么有意思的现象，欢迎在评论区告诉我。