首页 >后端开发 >Python教程 >使用遗传算法进行点模拟 - 第 1 部分

使用遗传算法进行点模拟 - 第 1 部分

Barbara Streisand
Barbara Streisand原创
2025-01-08 08:13:46222浏览

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。

Dots Simulation using Genetic Algorithm - Part 1

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

ObstacleGoal 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_generationselect_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!

声明:
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn