Hallo,
genetische Algorithmen funktionieren nach dem Prinzip des "Survival of the fittest".
Dabei wird in jeder Generation dasjenige Individuum _ selektiert, das die beste Fitness für ein gegebenes Problem hat.
So wird das jede Generation kontinuiert, bis eine relativ optimale Lösung für ein Problem gefunden wurde.
Dabei verwendet dieses Projekt die sogenannte neuronale Evolution.
Jedes Gewicht und jeder Bias ist binär kodiert, das quasi als DNA fungiert.
Diese DNA kann dann entsprechend mutiert werden (wodurch Diversität gewährleistet wird, um das globale Minimum einer Fehlerfunktion zu finden), und an die Nachkommen weitergegeben werden.
Jede Generation besteht aus 150 Individuen mit relativ gleichen, aber an sich individuellen Verhaltensweisen.
Als Beispiel dient folgende Problemstellung:
Gegeben sei ein Ziel (ein Punkt) das mittels der Maus des Spielers hin und her bewegt werden kann.
Ziel ist es, das die Individuen diesen Punkt erreichen, wenn möglich muss der Abstand 1 oder kleiner betragen.
Die Fitness wird eben auch durch den Abstand zum Ziel festgelegt: Je kleiner (also näher das Individuum an das Ziel), desto fitter.
Der Fitteste wird dann selektiert, welcher sich reproduziert und leicht veränderte Nachfahren (kleine Mutationen in der Genetik, 10 Prozent Wahrscheinlichkeit das ein Bit eines DNA-Stranges sich verändert) zurückgibt.
Der Vorgang wird iteriert, bis eben ein Optimum erreicht wurde.
Repository: github.com/NET-D3v3l0p3r/SharpAI
Viel Spaß damit.
genetische Algorithmen funktionieren nach dem Prinzip des "Survival of the fittest".
Dabei wird in jeder Generation dasjenige Individuum _ selektiert, das die beste Fitness für ein gegebenes Problem hat.
So wird das jede Generation kontinuiert, bis eine relativ optimale Lösung für ein Problem gefunden wurde.
Dabei verwendet dieses Projekt die sogenannte neuronale Evolution.
Jedes Gewicht und jeder Bias ist binär kodiert, das quasi als DNA fungiert.
Diese DNA kann dann entsprechend mutiert werden (wodurch Diversität gewährleistet wird, um das globale Minimum einer Fehlerfunktion zu finden), und an die Nachkommen weitergegeben werden.
Jede Generation besteht aus 150 Individuen mit relativ gleichen, aber an sich individuellen Verhaltensweisen.
Als Beispiel dient folgende Problemstellung:
Gegeben sei ein Ziel (ein Punkt) das mittels der Maus des Spielers hin und her bewegt werden kann.
Ziel ist es, das die Individuen diesen Punkt erreichen, wenn möglich muss der Abstand 1 oder kleiner betragen.
Die Fitness wird eben auch durch den Abstand zum Ziel festgelegt: Je kleiner (also näher das Individuum an das Ziel), desto fitter.
Der Fitteste wird dann selektiert, welcher sich reproduziert und leicht veränderte Nachfahren (kleine Mutationen in der Genetik, 10 Prozent Wahrscheinlichkeit das ein Bit eines DNA-Stranges sich verändert) zurückgibt.
Der Vorgang wird iteriert, bis eben ein Optimum erreicht wurde.
Repository: github.com/NET-D3v3l0p3r/SharpAI
Viel Spaß damit.
Und Gott alleine weiß alles am allerbesten und besser.
Dieser Beitrag wurde bereits 5 mal editiert, zuletzt von „φConst“ ()