使用遺傳演算法進行點模擬 - 第 1 部分

這篇部落格文章詳細介紹了一個令人著迷的項目，該項目使用遺傳演算法 (GA) 來模擬點向目標導航，同時避開障礙物。 GA 模仿自然選擇，根據點與目標的接近程度迭代地改進它們。

遺傳演算法實作：

GA 遵循以下標準步驟：

1. 初始化：隨機產生初始的點群。
2. 評估：適應度函數根據每個點與目標的距離評估其表現。
3. 選擇：選擇最適合的點作為下一代的父母。
4. 交叉：來自兩個父母的遺傳訊息（運動方向）結合起來創造後代。 （注意：為了簡單起見，該項目最初使用複製；稍後將添加交叉。）
5. 突變：將微小的隨機變化引入後代的運動方向以保持多樣性。
6. 替換：上一代被後代替換。
7. 精英主義：上一代中表現最好的點被保留在下一代中。
8. 迭代： 步驟 2-7 重複指定的代數。

模擬概述：

模擬可視化了一群點的演化過程，以達到紅色方形目標。每個點的運動都是由它的「基因」（一系列運動方向）決定的。 透過選擇、突變和複製，族群會適應，提高其在繞過黑色矩形障礙物時到達目標的能力。

關鍵模擬組件：

1. 點： 具有移動方向（染色體）和基於目標接近度的健身得分的智能體。
2. 適應度函數：根據到目標的距離計算適應度，獎勵較短的路徑。
3. 人口：幾代人不斷演變的點的集合。
4. 遺傳演算法：驅動演化過程，選擇合適的個體並引入變異。
5. 障礙：黑色矩形挑戰點的導航。
6. 目標：圓點要達到的紅色方形目標。

專案設定（Python 與 Pygame）：

此項目使用 Pygame 進行視覺化。 關鍵的全域變數控制模擬的參數（族群大小、突變率等）。 Dot 類別代表各點，管理它們的位置、運動和適應性。

初始模擬（單點）：

初始程式碼模擬單點隨機移動，直到它退出螢幕邊界。這是引入種群和 GA 之前的基礎步驟。

人口模擬：

Population 類別管理點組。 update 方法移動點並檢查與障礙物的碰撞。 模擬現在顯示多個同時移動的點。

增加障礙與目標：

引入

Obstacle 和 Goal 類別來分別表示障礙物和目標。 實施碰撞檢測，導致點在碰撞時「死亡」。模擬現在包括一個紅色目標方塊和一個黑色矩形障礙物。

實作遺傳演算法（複製）：

get_fitness類別中的Dot方法計算適應度。 Population 類別獲得 generate_next_generation 和 select_best_dots 方法來實現選擇、複製（最初而不是交叉）、變異和精英主義。現在，模擬顯示了人口的幾代演變。

未來增強：

未來的部落格文章將涵蓋：

• 從視覺上區​​分菁英點。
• 增加更複雜的障礙。
• 實施交叉以產生更成熟的後代。
• 當點到達目標時顯示「已達到」訊息。

完整的程式碼（到目前為止）可以在 GitHub 上找到。 嘗試程式碼並分享您的發現！ 加入 AICraftsLab Discord 社區，與其他人工智慧愛好者交流。

以上是使用遺傳演算法進行點模擬 - 第 1 部分的詳細內容。更多資訊請關注PHP中文網其他相關文章！