Simulasi Titik menggunakan Algoritma Genetik - Bahagian 1

Catatan blog ini memperincikan projek yang menarik menggunakan algoritma genetik (GA) untuk mensimulasikan titik-titik yang menavigasi ke arah sasaran sambil mengelakkan halangan. GA meniru pemilihan semula jadi, menambah baik populasi titik secara berulang berdasarkan jaraknya dengan sasaran.

Pelaksanaan Algoritma Genetik:

GA mengikut langkah standard ini:

1. Permulaan: Menjana populasi titik awal secara rawak.
2. Penilaian: Fungsi kecergasan menilai prestasi setiap titik berdasarkan jaraknya dari sasaran.
3. Pilihan: Titik paling sesuai dipilih sebagai ibu bapa untuk generasi akan datang.
4. Crossover: Maklumat genetik (arah pergerakan) daripada dua ibu bapa digabungkan untuk mencipta zuriat. (Nota: Projek ini pada mulanya menggunakan replikasi untuk kesederhanaan; silang akan ditambah kemudian.)
5. Mutasi: Perubahan rawak kecil diperkenalkan ke arah pergerakan anak untuk mengekalkan kepelbagaian.
6. Pengganti: Generasi sebelumnya digantikan dengan keturunan.
7. Elitisme: Titik berprestasi terbaik dari generasi terdahulu dikekalkan pada generasi seterusnya.
8. Lelaran: Langkah 2-7 diulang untuk bilangan generasi tertentu.

Gambaran Keseluruhan Simulasi:

Simulasi menggambarkan populasi titik yang berkembang untuk mencapai sasaran segi empat sama merah. Setiap pergerakan titik ditentukan oleh "gen"nya (urutan arah pergerakan). Melalui pemilihan, mutasi dan replikasi, populasi menyesuaikan diri, meningkatkan keupayaannya untuk mencapai sasaran sambil mengemudi di sekitar halangan segi empat tepat hitam.

Komponen Simulasi Utama:

1. Titik: Ejen dengan arah pergerakan (kromosom) dan skor kecergasan berdasarkan jarak sasaran.
2. Fungsi Kecergasan: Mengira kecergasan berdasarkan jarak ke sasaran, memberi ganjaran kepada laluan yang lebih pendek.
3. Penduduk: Koleksi titik yang berkembang dari generasi ke generasi.
4. Algoritma Genetik: Memacu proses evolusi, memilih individu yang sesuai dan memperkenalkan variasi.
5. Halangan: Segi empat tepat hitam mencabar navigasi titik.
6. Matlamat: Sasaran segi empat sama merah yang ingin dicapai oleh titik.

Persediaan Projek (Python dengan Pygame):

Projek ini menggunakan Pygame untuk visualisasi. Pembolehubah global utama mengawal parameter simulasi (saiz populasi, kadar mutasi, dsb.). Kelas Dot mewakili titik individu, mengurus kedudukan, pergerakan dan kecergasan mereka.

Simulasi Awal (Titik Tunggal):

Kod awal mensimulasikan satu titik bergerak secara rawak sehingga ia keluar dari sempadan skrin. Ini berfungsi sebagai langkah asas sebelum memperkenalkan populasi dan GA.

Simulasi Penduduk:

Kelas

A Population menguruskan kumpulan titik. Kaedah update menggerakkan titik dan menyemak perlanggaran dengan halangan. Simulasi kini memaparkan berbilang titik yang bergerak serentak.

Menambahkan Halangan dan Matlamat:

Kelas

Obstacle dan Goal diperkenalkan untuk mewakili halangan dan sasaran, masing-masing. Pengesanan perlanggaran dilaksanakan, menyebabkan titik "mati" apabila perlanggaran. Simulasi kini termasuk petak sasaran merah dan halangan segi empat tepat hitam.

Melaksanakan Algoritma Genetik (Replikasi):

Kaedah get_fitness dalam kelas Dot mengira kecergasan. Kelas Population memperoleh kaedah generate_next_generation dan select_best_dots untuk melaksanakan pemilihan, replikasi (pada mulanya bukannya silangan), mutasi dan elitisme. Simulasi kini menunjukkan populasi berkembang dari generasi ke generasi.

Peningkatan Masa Depan:

Siaran blog akan datang akan meliputi:

• Membezakan titik elit secara visual.
• Menambahkan halangan yang lebih kompleks.
• Melaksanakan pindah silang untuk penjanaan keturunan yang lebih canggih.
• Memaparkan mesej "Dicapai" apabila titik mencapai sasaran.

Kod lengkap (sehingga tahap ini) tersedia di GitHub. Eksperimen dengan kod dan kongsi penemuan anda! Sertai komuniti AICraftsLab Discord untuk berhubung dengan peminat AI yang lain.

Atas ialah kandungan terperinci Simulasi Titik menggunakan Algoritma Genetik - Bahagian 1. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!