我决定使用神经网络来为我拥有的动画引擎创建行为。神经网络为我拥有的每个身体部位提供3个vector3s和1个欧拉角。第一个vector3是位置，第二个是它的速度，第三个是它的角速度。欧拉角是身体部位的旋转。我有7个身体部位。这些数据类型中的每一个都有3个浮点数。 7 * 4 * 3 = 84，所以我的神经网络有84个输入。输出映射到角色的肌肉。它们提供适用于每种肌肉的力量，其中有15种。
我同时运行15个网络10秒钟，通过计算最低能量使用，具有最少量的z和x运动，以及如果身体部位与其余部分相比处于正确的y位置来评定其适应性（臀部） .y＆gt; upperleg.y，upperleg.y＆gt; lowerleg.y等），然后通过遗传算法运行它们。我正在运行一个神经网络，每个隐藏层有168个神经元，有8个隐藏层。我试图让角色站直，不要走动太多。我跑了3000代，我甚至没有接近。
神经网络和遗传算法是this tutorial的C＃版本。我将交叉方法从一个点改为混合。
我有84个输入和15个输出。我的神经网络应该有多大？
答案 0 :(得分：5)
你要解决的问题是一个非常棘手的问题，我怀疑任何“香草”GA（特别是那些使用固定架构的网络）都会解决它（在合理的时间内）。我也不认为你会在隐藏层找到“正确数量的神经元”。
但是，如果您愿意花一些时间，请查看HyperNEAT for Locomotion Control in Modular Robots处理或多或少相同的问题。 他们使用一种名为HyperNEAT的非常先进的GA技术，并报告了一些好的结果。
HyperNEAT建立在NEAT（Neuroevolution of augmenting topologies）之上。 NEAT不仅能够发展人工神经网络的权重，还能够发展其结构。它从简单的网络开始，慢慢使它们变得更加复杂，直到你达到目标（或放弃）。
然后NEAT略有改动，以便能够使用各种激活功能。当它应用于一组点时，它将使它能够产生各种各样的“模式”。在坐标系中。模式可以具有一些有趣的特征，例如完美/不完美的对称性，或者它们可以是周期性的。此变体称为Compositional pattern-producing network或CPPN。这项技术的一个壮观应用是PicBreeder，其中网络用于“绘制”图片。
在HyperNEAT中，CPPN用于创建其他人工神经网络。新网络的隐藏层由所谓的基板表示，可以将其想象为层的神经元被放置到2D / 3D坐标系。然后，对于每对可能的神经元（从输入层到所有隐藏，从所有隐藏到所有输出），CPPN用于确定权重。因此我们有间接编码，
总而言之，它会让你有机会解决你的复杂问题。
正如您所看到的，这种技术有各种层次，因此为您自己实现它并不容易。幸运的是，有一些很好的实现，你可以在NEAT home page上找到它们，以及许多其他文档，论文和教程。
答案 1 :(得分：0)
有趣的方法！我一直在考虑类似的事情，很想听听你得到的结果。
你必须测试，但我猜你有太多的隐藏层。我认为这个应用程序最多可以使用一个或两个。
你还应该看看你的健身功能 - 我怀疑提供学习可能“太难”，因为在一开始它没有希望站起来。因此，您陷入的“本地最小”是学习如何以最少的努力堕落。不是很有用。一般来说，GA都受到当地极小的影响。
为了改善你的健身功能，我会尝试一些方法来惩罚每一帧直立的偏差。这将为管理部分平衡的解决方案提供一些信誉，因此应该有一条改进路径。在你让它们达到平衡之前，我根本不会为能量使用而烦恼。