XPeng’s Dreams

系统开始时的状态

 
10分钟后系统的状态

         星期六开始运行这个简单设置的环境，模拟个体所能获得的输入包括周围个体数目、自己的当前速度、角度、HP以及最近目标的相对位置，离目标越近HP减少得越慢，存活时间越长者适应度越高。系统中人口数为100，个体和基因一一对应。
         刚开始的情况是完全随机，模拟个体的大脑完全由各种随机的、最小结构的神经网络支持。

         上面的图是运行大概十分中后的截屏。左边的图中可以看到多于一半的个体开始有向目标移动的趋势，个体速度也由最初的随机值（基本上是很小的速度）趋向于较大值。从场景的分析可以得出，这是向全局最优解靠近的正确方向。

         再运行一段时间后（>1000秒），右边的图中可以看到部分优势个体除了向目标靠近外，到达目标后产生了“刹车”的趋势，以达到徘徊于目标附近的目的。这个结果就该场景而言已经很接近最优解了。

         这次试验发觉，对基本的NN（神经网络）进化而言，程序员仍然有一个工作要做，那就是得依据环境和个体的情况分析出NN的输入和输出，包括其个数和意义！可以联想到游戏中策划的这个工作也正是巨大的，如果设计一个NPC，得事先“规定”好它们的有效行为有哪些，它们的有效输出是什么。策划必须以专业知识指出哪些输入、输出是有用的，而且限于分析和程序承受量，还得尽量以最少的输入输出进行设计，即有效的“Feature Select”。对NN而言，输入和输出的个数增加特别是多余的输入和输出（比如现在我试验中的“周围个体数目”对完成任务的NN来说就是一多余输入），对NN的进化和执行性能均带来巨大负担！因此，FeatureSelect的工作就更加重要和繁重了。
        我尝试在系统中对NN的输入和输出不加以严格定义，将目前我能提供的所有信息全部作为NN的输入（达21个之多），目标位置检测采用在个体360度范围内均匀放置物体传感器（sensor）。类似于昆虫的复眼，每个传感器对相应方向上范围中的物体进行探测。

        根据遗传神经网络算法的特征，可以将“对输入的选择”本身也进行进化，从而找到合理的最小输入集！

        接下来的几天，我将对目标的位置进行随机的变换，看这些个体能否进一步学会追踪不同位置的目标；接着可能给个体增加一个“eat”的行为对应NN的一个新的输出，然后看试验结果。