我决定和神经网络一起创建一个动画引擎的行为。神经网络为我的每个身体部位提供3个矢量3和1欧拉角。第一个vector3是位置，第二个是速度，第三个是角速度。欧拉角是身体部位的旋转角度。我有7个身体部位。每种数据类型都有3个浮点数。 7 * 4 * 3 = 84，所以我有84个神经网络输入。输出映射到角色的肌肉。它们提供了适用于每个肌肉的力量，其中有15个。动画系统的神经网络尺寸
我正在同时运行15个网络10秒，通过计算最低能量使用来评估它们的适应性，具有最少量的z和x移动，并且如果身体部位与其余部位相比处于正确的y位置hips.y> upperleg.y，upperleg.y> lowerleg.y等），然后通过遗传算法运行它们。我运行的是每个隐藏层有168个神经元的神经网络，有8个隐藏层。我试图让角色挺身而出，而不是四处走动。我跑了3000代，我甚至都没有接近。
神经网络和遗传算法是C＃版本this tutorial。我将交叉方法从一点改为混合。
我有84个输入和15个输出。我的神经网络应该有多大？
你想解决的问题是一个相当棘手的问题，我怀疑任何“香草”GA（特别是那些使用固定架构的网络）将解决它（在合理的时间内）。我也不认为你会在隐藏层找到“正确数量的神经元”。
但是，如果你愿意花一些时间在它上看看HyperNEAT for Locomotion Control in Modular Robots，它或多或少地处理相同的问题。 他们使用相当先进的GA技术，称为HyperNEAT并报告一些好的结果。
HyperNEAT建立在NEAT之上（Neuroevolution of augmenting topologies）。 NEAT不仅能够演化人工神经网络的权重，而且能够演化他们的结构。它从简单的网络开始，慢慢地让它们变得更复杂，直到你达到目标（或放弃）。
然后NEAT稍作修改，以便能够使用各种激活功能。当它被应用于一组点时，它将使其能够产生各种各样的“模式”，例如，在一个坐标系中。这些模式可以有一些有趣的特征，如完美/不完美的对称性，或者它们可以是周期性的。该变体称为Compositional pattern-producing network或CPPN。该技术的一个引人注目的应用是PicBreeder，其中网络用于“绘制”图片。
在HyperNEAT CPPN用于创建其他人工神经网络。新网络的隐藏层由所谓的衬底表示，可以想象该层的神经元被放置到2D/3D坐标系中。然后，对于每个可能的神经元对（全部从输入层到全部隐藏，从全部隐藏到全部输出），CPPN用于确定权重。因此，我们有一个间接的编码，这
总而言之，它会给你一个机会来解决你的复杂问题。
正如你所看到的，这种技术有各种各样的层次，所以为你自己实现它并不那么容易。幸运的是，它有一些很好的实现，你可以在NEAT home page上找到它们，以及许多其他文档，论文和教程。
你可以简化这个到最基本的必需品吗？有一只脚和一只小腿，就是这样;两个身体部位，两个角度，并让它站立。
有趣的方法！我一直在想一些类似的东西，很想听听你会得到什么结果。
你必须测试，但我猜你有太多的隐藏层。我认为这个应用程序最多可以使用一两个。
你还应该看看你的健身功能 - 我认为提供学习可能“太困难”，因为在开始时它没有希望站起来。因此，你陷入的“本地最低限度”是学习如何以最小的努力倒下。不是很有用。一般来说，GAs受到当地最低标准的限制。
为了提高你的健身功能，我会尝试像处罚直立每帧的偏差。这将对管理局部平衡的解决方案有所贡献，所以应该有一个改进途径。除非你有足够的能量平衡，否则我根本就不会为能量使用而烦恼。
我不喜欢你的答案，但它似乎是真的。尽管感谢您的领导。看完文献后我很好奇。 NEAT和HyperNEAT的区别在于CPPN，对吗？ CPPN能够创建神经网络，但本身不是神经网络？或者它是一个发展并创建其他神经网络的神经网络？ 非常有帮助，谢谢。 – DrSammyD 2010-08-19 02:40:07
NEAT使用直接编码，这意味着对于基因组中的每个神经元和连接，您将在最终网络中具有相同的编码。 HyperNEAT使用间接编码。基因组是一个网络（CPPN随NEAT发展而来），当你将其应用于底物的神经元对（第二网络的神经元+更多信息，通常是2D/3D坐标系中的坐标）时，连接权重。我认为技术上CPPN也是一个NN，但它可以使用奇特的激活函数，而不是通常的S形/ tanh。但是，可能会有一些其他的细微差别。 – 2010-08-19 07:18:50