所以我正在研究一个侧面项目，目的是试验遗传算法。该项目涉及两个类，Critters和Food。当他们找到食物时，小动物每次蜱虫都会感到饥饿并且会失去饥饿感。小动物可以移动，食物是静止的。每个Critter都有一个基因组，它只是一串随机生成的字符。目标是经过几代人之后，小动物将发展出专门的运动模式，从而实现最佳的食物消费。
现在，每个小动物都受神经网络的支配。神经网络用来自Critter基因组的权重和偏差初始化。神经网络的第一个输入是[0,0]。神经网络产生两个输出，分别决定了Critter的x和y运动的方向。此输出用作下一个滴答处的神经网络的输入。例如：
1: [0,0]->NN->[.598.., -.234...] // Critter moves right and up
2: [.598...,-.234...]->NN->[-.409...,-.232...] // Critter moves left and up
3: [-.409...,-.232...]->NN-> etc.
问题是，无论权重如何初始化，神经网络都会找到一种“固定点”。也就是说，在两次或三次迭代之后，输出和输入实际上是相同的，因此Critter总是朝着相同的方向移动。现在我没有训练神经网络，我真的不想。所以我正在寻找的是另一种生成输出的方法。
更具体地说，假设我有基因组生成的n个随机权重。我需要一个由n个权重确定的关系，这些权重可以（在最松散的意义上）将[-1,1]范围内的2个输入映射到相同范围内的两个输出。主要的是我希望权重对函数的行为产生显着影响。我不希望它像y = mx + b那样我们只改变y和b。
我知道这是一个非常含糊的描述。起初我认为神经网络是完美的，但似乎输入在没有训练的情况下对输出几乎没有影响（这是公平的，因为神经网络应该被训练）。
有什么建议吗？
答案 0 :(得分：3)
只是一个想法。
您有f(genome) -> (w_1, w_2, ..., w_n)，其中f根据w生成genome。
例如，您可以使用哈希函数h并计算[h(w_1, ..., w_(n/2)), h(w_(n/2+1), ..., w_n))]。
通常，哈希函数应该为输入的微小变化提供非常明显的输出。但不总是。您可以查找continuous的哈希函数（输入变化很小，输出变化很小）。这种功能将用于相似性搜索，http://en.wikipedia.org/wiki/Locality_sensitive_hashing可能会提供一些想法。这样你就可以直接在基因组上使用哈希。
否则，您可以尝试拆分基因组或权重，并为分裂提供不同的目的。我们说n = 4。
(w_1, w_2)会影响x
(w_3, w_4)会影响y
然后，您可以将x计算为(w_1 + w_2*Random_[-1,1])/2，其中Random_[-1,1]是区间[-1,1]中的随机数，并假设所有w_i \in [-1,1] i }}
同样适用于y。
然后，您的遗传算法将优化Critters移动的速度和随机性，以便最佳地找到食物。如果你有更多的权重（或更长的基因组），你可以尝试以类似的精神提出一个更高级的功能。
这实际上表明，通过遗传算法，问题解决转向寻找良好的基因组表示和良好的适应度函数，所以如果你被卡住了就不要担心。