我在2D中创建了一个进化 - 人造 - 生命 - 模拟游戏（纯粹是出于娱乐目的）。它结合了神经网络（用于行为控制）和遗传算法（用于育种和突变）。
在输入时，我给它们最近食物的X，Y位置（标准化）和＆＃34的X，Y位置;看看＆＃34;矢量。
目前他们飞来飞去，当他们与食物发生碰撞时（让我们称之为＃34;吃苹果＆＃34;）他们的健康指数增加了一倍，苹果的位置变得平庸 - 之后2000转变GA中断并发挥其魔力 大约100代后，他们了解到吃苹果是好的，并试图飞到最近的地方。
但我的问题，作为一个神经网络新手，是 - 如果我创建了一个房间，苹果产生的方式比地图的其他部分更频繁，他们会学习和理解吗？他们会经常飞到那个房间吗？是否有可能告诉他们需要多少代才能学习？
答案 0 :(得分：1)
他们可以学到什么以及速度有多快取决于您为他们提供的信息。例如，如果他们无法知道他们是在食物更频繁产生的房间里，那么就没有办法让他们更频繁地去那里。
从你的问题来看，“看看”矢量是什么并不完全清楚。例如，如果它向他们展示了直接在他们面前的东西，那么它们可能足以让他们知道他们在充足的房间里，特别是如果那个房间以某种方式“看起来”独特。提供它们的更有用的输入可能是它们当前的X和Y坐标。如果你这样做了，那么我肯定会期望他们更频繁地进入好房间（当然是好的比例），因为他们有可能采取行动去留下来。那个房间。
至于需要多少代，这是非常难以预测的（特别是在不了解您的设置的情况下）。如果它需要100代才能学会吃食物，那么我预计它将达到数百种。但最好的方法就是试一试。
答案 1 :(得分：1)
如果一切都与位置有关，他们可能会在他们的脑海中保持地图的状态，简单的统计数据将让他们了解食物的位置。神经网络在那里是一种矫枉过正。
如果有其他位置特征（例如颜色，气味，高度等......）将这些特征映射到标签（食物存在与否）对神经网络有益。特别是如果目前某些功能不可用或不可靠的话。
如果他们需要很多决定来实现目标，那么你需要强化学习。例如，他们可能会走向一段时间有利的方向，但要让他们远离以后需要的资源。
答案 2 :(得分：0)
我相信一个反复出现的神经网络可以学会期望苹果在某个地区产卵。