neural-network - 神经网络真的可以学习吗？

Question

我正在创建一个 2D 进化人工生命模拟游戏(纯粹出于娱乐目的)。它结合了神经网络(用于行为控制)和遗传算法(用于育种和突变)。

在输入时，我给他们最近食物的 X、Y 位置(归一化)和“观察”向量的 X、Y 位置。

目前，它们四处飞翔，当它们与食物发生碰撞时(我们称之为“吃苹果”)，它们的适应度指数会增加 1，并且苹果的位置是随机的 - 在 2000 轮之后，GA 会中断并发挥它的魔力。
大约 100 代之后，他们知道吃苹果是好的，并尝试飞到最近的苹果。

但我的问题是，作为神经网络新手，如果我创建了一个房间，那里的苹果比 map 上的其他地方更频繁地生成苹果，他们会学习和理解吗？他们会更频繁地飞到那个房间吗？是否有可能告诉他们需要多少代才能学习？

Answer 1

他们能学到什么以及学得多快在很大程度上取决于您授予他们访问权限的信息。例如，如果它们无法知道自己在食物产生频率较高的房间，那么它们就无法进化到更频繁地去那里。

从您的问题中，“查看”向量是什么并不完全清楚。例如，如果它向他们展示了直接在他们面前的东西，那么这些信息可能足以让他们弄清楚他们在充足的房间里，特别是如果那个房间“看起来”与众不同的话。给他们的更有用的输入可能是他们当前的 X 和 Y 坐标。如果你那样做，那么我肯定希望他们进化到更频繁地进入好房间(当然，与好房间的好坏成正比)，因为他们有可能采取行动去并留在里面那个房间。

至于需要多少代，这很难预测(尤其是在不了解您的设置的情况下)。如果他们需要 100 代人才能学会吃东西，那么我预计会达到数百代。但找出答案的最好方法就是尝试一下。