目标搜索AI

在下面的模拟中，经过大致进化的神经网络100代人试图寻找目标。他们的目标是尽可能接近目标任何时候都尽可能。如果您想了解其中一个网络的外观，查看完全模拟。

单击字段以重新定位目标！源代码在这里。

神经毒剂实际上表现得很好。至少有一个代理将拥有大约20代人之后，“解决了问题”。这是因为解决方案的基础很容易：神经网络的输入之一是与目标的角度，所以这一切需要做的是输出一些与此输入值类似的值。这很容易做到通过身份激活功能，但令人惊讶的是，上述模拟中的大多数代理倾向于避免此功能。

您可以查看网络的拓扑结构在这里。如果你能在不同的设置下更快或更好地进化基因组，请对执行拉入请求这回购。

制造

在前一篇文章中，我深入探讨了算法的环境，但在本文中我将更多地关注算法本身的设置和输入/输出。

如果您对链接回购中的代码有任何疑问，请在上创建问题这回购。

代理人

代理的任务非常简单。他们必须接近设定为大约的目标100像素，一旦他们在附近，每个代理的分数将按比例增加`（100-dist）``距离。不过还有一个额外的因素：对于代理网络中的每个节点，代理的得分将减少。这有两个原因；1.网络不应过满解决方案；2。拥有较小的网络降低计算能力。

代理人有某种动力。它们没有质量，但有加速度，所以需要一个小的代理在特定方向上达到最高速度的时间量。

每个代理都有以下输入:

它在x轴上的自身速度
其自身在y轴上的速度
目标在x轴上的速度
目标在y轴上的速度
朝向目标的角度
到目标的距离

每个代理的输出正好是所需的移动方向。

除了田地的墙外，没有任何碰撞。将来，可能会有兴趣添加多个代理和/或目标之间的冲突以揭示一些新策略。这需要代理了解周围代理的位置。

目标

目标相当容易。它被编程为不时按随机数量切换方向。那里但有一点很重要：目标以特工一半的速度移动，这可以确保特工总是有能力追赶目标。除此之外，目标的物理特性类似于代理人的物理。

遗传算法

遗传算法是人工智能的核心。在第一帧中玩家的数量是用神经网络作为大脑初始化的。大脑代表一代人的人口。这些大脑是由让所有人都参与进来，让他们参与竞争彼此相对。最合适的大脑被转移到下一代，不太合适的大脑被切除的可能性很高。

//网络不应该太大for（净种群中的var基因组）{基因组=纯种群[基因组]；genome.score-=genome.nodes.length*score_RADIUS/10；}//按分数对人口进行排序clean.sort（）；//绘制最佳基因组drawGraph（整洁.poperation[0].graph（$（'.best'）.width（），$（'.mest'）.height（）），'.best（），false）；//初始化新流行音乐var newPopulation=[]；//精英主义对于（var i=0；i<neat.elitism；i++）{newPopulation.push（night.poperation[i]）；}//培育下一批个体对于（var i=0；i<neat.popsize-neat.elitism；i++）{newPopulation.push（night.getOffspring（））；}//以新人口取代旧人口neat.population=新人口；night.mutate（）；整洁。生成++；startEvaluation（）；

上面的代码显示了评估完成时运行的代码。它非常相似至内置进化（）Neataptic的功能，但为了避免适应必须同时评估所有基因组的功能。

基因组的评分很容易：当达到一定的迭代次数时，每个基因组都根据其最终得分进行排序。得分较高的基因组有少量节点并在整个迭代过程中一直接近目标。

一些（可配置）设置:

评估运行250帧
突变率为0.3
精英主义占10%
每个基因组以0个隐藏节点开始
允许所有突变方法

问题/未来改进

…还没有！告诉我你的想法！

叉子

corpr8的叉子为每个神经代理提供自己的加速度，并让每个箭头每一代人都呆在同一个地方。这创造了更多“流体”过程。