我決定和神經網絡一起創建一個動畫引擎的行爲。神經網絡爲我的每個身體部位提供3個矢量3和1歐拉角。第一個vector3是位置，第二個是速度，第三個是角速度。歐拉角是身體部位的旋轉角度。我有7個身體部位。每種數據類型都有3個浮點數。 7 * 4 * 3 = 84，所以我有84個神經網絡輸入。輸出映射到角色的肌肉。它們提供了適用於每個肌肉的力量，其中有15個。動畫系統的神經網絡尺寸
我正在同時運行15個網絡10秒，通過計算最低能量使用來評估它們的適應性，具有最少量的z和x移動，並且如果身體部位與其餘部位相比處於正確的y位置hips.y> upperleg.y，upperleg.y> lowerleg.y等），然後通過遺傳算法運行它們。我運行的是每個隱藏層有168個神經元的神經網絡，有8個隱藏層。我試圖讓角色挺身而出，而不是四處走動。我跑了3000代，我甚至都沒有接近。
神經網絡和遺傳算法是C＃版本this tutorial。我將交叉方法從一點改爲混合。
我有84個輸入和15個輸出。我的神經網絡應該有多大？
你想解決的問題是一個相當棘手的問題，我懷疑任何「香草」GA（特別是那些使用固定架構的網絡）將解決它（在合理的時間內）。我也不認爲你會在隱藏層找到「正確數量的神經元」。
但是，如果你願意花一些時間在它上看看HyperNEAT for Locomotion Control in Modular Robots，它或多或少地處理相同的問題。 他們使用相當先進的GA技術，稱爲HyperNEAT並報告一些好的結果。
HyperNEAT建立在NEAT之上（Neuroevolution of augmenting topologies）。 NEAT不僅能夠演化人工神經網絡的權重，而且能夠演化他們的結構。它從簡單的網絡開始，慢慢地讓它們變得更復雜，直到你達到目標（或放棄）。
然後NEAT稍作修改，以便能夠使用各種激活功能。當它被應用於一組點時，它將使其能夠產生各種各樣的「模式」，例如，在一個座標系中。這些模式可以有一些有趣的特徵，如完美/不完美的對稱性，或者它們可以是週期性的。該變體稱爲Compositional pattern-producing network或CPPN。該技術的一個引人注目的應用是PicBreeder，其中網絡用於「繪製」圖片。
在HyperNEAT CPPN用於創建其他人工神經網絡。新網絡的隱藏層由所謂的襯底表示，可以想象該層的神經元被放置到2D/3D座標系中。然後，對於每個可能的神經元對（全部從輸入層到全部隱藏，從全部隱藏到全部輸出），CPPN用於確定權重。因此，我們有一個間接的編碼，這
總而言之，它會給你一個機會來解決你的複雜問題。
正如你所看到的，這種技術有各種各樣的層次，所以爲你自己實現它並不那麼容易。幸運的是，它有一些很好的實現，你可以在NEAT home page上找到它們，以及許多其他文檔，論文和教程。
你可以簡化這個到最基本的必需品嗎？有一隻腳和一隻小腿，就是這樣;兩個身體部位，兩個角度，並讓它站立。
有趣的方法！我一直在想一些類似的東西，很想聽聽你會得到什麼結果。
你必須測試，但我猜你有太多的隱藏層。我認爲這個應用程序最多可以使用一兩個。
你還應該看看你的健身功能 - 我認爲提供學習可能「太困難」，因爲在開始時它沒有希望站起來。因此，你陷入的「本地最低限度」是學習如何以最小的努力倒下。不是很有用。一般來說，GAs受到當地最低標準的限制。
爲了提高你的健身功能，我會嘗試像處罰直立每幀的偏差。這將對管理局部平衡的解決方案有所貢獻，所以應該有一個改進途徑。除非你有足夠的能量平衡，否則我根本就不會爲能量使用而煩惱。
我不喜歡你的答案，但它似乎是真的。儘管感謝您的領導。看完文獻後我很好奇。 NEAT和HyperNEAT的區別在於CPPN，對嗎？ CPPN能夠創建神經網絡，但本身不是神經網絡？或者它是一個發展並創建其他神經網絡的神經網絡？ 非常有幫助，謝謝。 – DrSammyD 2010-08-19 02:40:07
NEAT使用直接編碼，這意味着對於基因組中的每個神經元和連接，您將在最終網絡中具有相同的編碼。 HyperNEAT使用間接編碼。基因組是一個網絡（CPPN隨NEAT發展而來），當你將其應用於底物的神經元對（第二網絡的神經元+更多信息，通常是2D/3D座標系中的座標）時，連接權重。我認爲技術上CPPN也是一個NN，但它可以使用奇特的激活函數，而不是通常的S形/ tanh。但是，可能會有一些其他的細微差別。 – 2010-08-19 07:18:50