artificial-intelligence - 在尽可能少的 "parameters"中表示 double 的二维映射

Question

我正在使用称为 NEAT 的神经网络技术开发回合制游戏 AI .我正在尝试训练一个网络，该网络可以在给定存储在有效二维数组中的各种值的情况下在二维(X 和 Y 坐标)空间中移动。

我可以看到两种使用神经网络的策略:

1. 对于网格中的每个“单元格”，提供来自不同启发式方法的分数作为神经元的输入，并创建一个实际上是非常复杂的“评分”系统的神经网络。将非游戏角色 (NPC) 移动到得分最高的位置。

2. 为每个启发式度量创建一个压缩值(以某种方式压缩为尽可能少的位)并为每个度量提供一个输入神经元。

我对选项二很感兴趣，因为它提供了所需的最少计算量(游戏的运行时间很长)，但是我很困惑我可以使用什么方法来创建“小型表示”版本二维启发式值。我知道那里有诸如傅立叶变换之类的技术，但是我不知道这些是否适合我的问题。基本上我正在寻找一种方法将 50x50 的 double 组转换为一个或两个 double 值。这两个 double 值可以有损压缩，我不需要能够恢复原始值，我只需要一种合理的机制来将输入数据更改为较小的占用空间。

这两种可能性的替代方法是根据与 NPC 的一定距离以某种方式对“区域”进行编码(因此您可以获得“近”单元格的实际值和“远”单元格的近似值)。我不知道我将如何连接它，但它至少消除了在游戏的每一轮都评估每个单元格的需要(假设我正在以每轮大约 1 秒的速度查看大约 500 万轮，任何简化我能想到的会很有帮助)。

如果这没有多大意义，我深表歉意，这是一个相当困难的问题，困扰了我一段时间，我想不出一个简单的方法来描述它。

谢谢你，

艾丹

编辑添加(并更改标题):

感谢 Chris，我们完善了我正在寻找的内容。我正在寻找的是一种用尽可能少的参数来近似直线(我可以将 2D map 转换成直线)的方法。我之前使用三次样条进行插值，但是对于在 0.0 和 1.0 之间变化非常大的数据集，我需要一些更可行的方法。我想我真正要寻找的是 map 的“散列”。

我知道有一些技术，例如三次样条，我可以从中计算出一些“关键点”，这些值是我正在寻找的东西的合理类比。我需要一种方法来获取 2500 个值，并提出这些值的一个小表示，我可以将其用于神经网络。我认为可以训练 NN 来推断这些表示的真正含义，或者至少可以确定表示与现实世界之间的某种相关性，因此它不一定需要是可逆函数，但我不认为许多单向函数(例如 MD5、SHA)实际上也将非常有用...

Answer 1

基本上，任何图形压缩算法都可以满足您的需求。它们经过大量优化，可以将二维数字数组压缩到尽可能小的占用空间中。

编辑添加:

由于您希望使用压缩来减少处理时间，因此要考虑的另一件事是获得非常高的压缩比通常需要更多的计算来压缩和解压缩数组。与运行神经网络相比，您可能会花费更多的时间来压缩和解压缩数组。

再次编辑添加:

根据您的评论，听起来您可能想要的是 space-filling curve .使用曲线将您的 50x50* 数组转换为 1x2500 线，然后得出一个公式，该公式近似于您想要的数组每个单元格的值。

*阵列是否必须为 50x50？如果它是一个尺寸略有不同的正方形，用空间填充曲线填充可能会容易得多。例如，希尔伯特曲线非常适用于 2 的幂的维度。