使用遗传算法进行点模拟 - 第 1 部分

这篇博文详细介绍了一个令人着迷的项目，该项目使用遗传算法 (GA) 来模拟点向目标导航，同时避开障碍物。 GA 模仿自然选择，根据点与目标的接近程度迭代地改进它们。

遗传算法实现：

GA 遵循以下标准步骤：

1. 初始化：随机生成初始的点群。
2. 评估：适应度函数根据每个点与目标的距离评估其性能。
3. 选择：选择最适合的点作为下一代的父母。
4. 交叉：来自两个父母的遗传信息（运动方向）结合起来创造后代。 （注意：为了简单起见，该项目最初使用复制；稍后将添加交叉。）
5. 突变：将微小的随机变化引入后代的运动方向以保持多样性。
6. 替换：上一代被后代替换。
7. 精英主义：上一代中表现最好的点被保留在下一代中。
8. 迭代： 步骤 2-7 重复指定的代数。

模拟概述：

模拟可视化了一群点的演化过程，以达到红色方形目标。每个点的运动都是由它的“基因”（一系列运动方向）决定的。 通过选择、突变和复制，种群会适应，提高其在绕过黑色矩形障碍物时到达目标的能力。

关键模拟组件：

1. 点： 具有移动方向（染色体）和基于目标接近度的健身得分的智能体。
2. 适应度函数：根据到目标的距离计算适应度，奖励较短的路径。
3. 人口：几代人不断演变的点的集合。
4. 遗传算法：驱动进化过程，选择合适的个体并引入变异。
5. 障碍：黑色矩形挑战点的导航。
6. 目标：圆点要达到的红色方形目标。

项目设置（Python 与 Pygame）：

该项目使用 Pygame 进行可视化。 关键的全局变量控制模拟的参数（种群大小、突变率等）。 Dot 类代表各个点，管理它们的位置、运动和适应性。

初始模拟（单点）：

初始代码模拟单个点随机移动，直到它退出屏幕边界。这是引入种群和 GA 之前的基础步骤。

人口模拟：

Population 类管理点组。 update 方法移动点并检查与障碍物的碰撞。 模拟现在显示多个同时移动的点。

添加障碍和目标：

引入

Obstacle 和 Goal 类来分别表示障碍物和目标。 实施碰撞检测，导致点在碰撞时“死亡”。模拟现在包括一个红色目标方块和一个黑色矩形障碍物。

实现遗传算法（复制）：

get_fitness类中的Dot方法计算适应度。 Population 类获得 generate_next_generation 和 select_best_dots 方法来实现选择、复制（最初而不是交叉）、变异和精英主义。现在，模拟显示了人口的几代演变。

未来增强：

未来的博客文章将涵盖：

• 从视觉上区分精英点。
• 添加更复杂的障碍。
• 实施交叉以产生更成熟的后代。
• 当点到达目标时显示“已达到”消息。

完整的代码（到目前为止）可以在 GitHub 上找到。 尝试代码并分享您的发现！ 加入 AICraftsLab Discord 社区，与其他人工智能爱好者交流。

以上是使用遗传算法进行点模拟 - 第 1 部分的详细内容。更多信息请关注PHP中文网其他相关文章！