遗传算法学会最适合指数函数

Question

所以我有一个简单的游戏，球可以跳跃并且障碍物经常出现，下面是图片供参考。我的遗传算法提供了100个随机网络，20个交叉（变异率为1％）和10个“模糊”网络（本质上是强迫变异，大约为20％）。 现在，如果我对周期性障碍物具有基本的非缩放移动速度，那么我的遗传算法将学习如何在大约1-2代内击败游戏（不会输掉并永远永远继续下去），因为这是x-> y的简单映射这是意料之中的。

但是，如果我决定将速度缩放比例（对于跳跃/障碍速度）改为

speed = speed * (1 + points/1000) #Where 1 point is passing 1 obstacle

我得到的是大量无法在任何实时范围内优化输出的网络。我确保将所有相关数据作为输入节点传递； ball.y（因为球不会在x中移动），障碍物x，障碍物速度，ball.jumpspeed，并且输出是一个单个节点，表示1 / jump，0 /不执行任何操作。

这里有一些适合健身的示例输出

Generation 1    HIGH: 0.425    LOW: 0.000    AVG:0.1724547451001511
Generation 2    HIGH: 0.425    LOW: 0.165    AVG:0.17874677670683908
Generation 3    HIGH: 1.396    LOW: 0.165    AVG:0.19673599387987226
Generation 4    HIGH: 2.549    LOW: 0.165    AVG:0.2383717001862799
Generation 5    HIGH: 2.549    LOW: 0.166    AVG:0.236279356056333
Generation 6    HIGH: 2.549    LOW: 0.166    AVG:0.2173996155501196
Generation 7    HIGH: 2.549    LOW: 0.167    AVG:0.20148711858181925
Generation 8    HIGH: 2.549    LOW: 0.167    AVG:0.1985246675827307
 ...
Generation 69    HIGH: 2.549    LOW: 0.167    AVG:0.31935190938788394
Generation 70    HIGH: 2.549    LOW: 0.167    AVG:0.22603314425367058
Generation 71    HIGH: 2.549    LOW: 0.167    AVG:0.21650311863741362
Generation 72    HIGH: 2.549    LOW: 0.166    AVG:0.2258790184428012

我确实了解遗传算法本质上依赖于随机改进，但是我想知道在这种“简单”问题上长时间停滞是否正常？我可能只是在开枪，我是从头开始编写整个网络/游戏的，我很确定它可以正常工作，但是我对结果有些怀疑，有人在这种事情上有更多的背景吗？我的结果很标准？

还要显示一个代码示例至少需要大约500行，所以我认为发布它可能不是一个好主意。

编辑： 在发布此代码后，我的后代又获得了可观的增长，我正在积极运行这段代码，以尝试查看我的模型是否可以在此过程中变得“完美”。

Generation 83    HIGH: 2.549    LOW: 0.841    AVG:0.908536733716079
Generation 84    HIGH: 2.549    LOW: 0.839    AVG:0.9262430139422534
Generation 85    HIGH: 8.784    LOW: 0.842    AVG:0.9670151588313797

编辑：这里是指向github上托管的基本版本的链接，在我上传的版本中，如果您阅读testdata.txt，您会看到输入是二进制字符串，它们只是试图乘以2作为预期输出。我不明白为什么它目前无法弄清楚确切的输出是什么，而请注意，一旦进入实际测试，代码就会变得非常丑陋，所有内容都需要重新构造。< / em> https://github.com/TylerJohnson44/PyNN

如果有人可以告诉我我的代码在使用适当的GA的情况下不能成为适当的NN，我将不胜感激。