游戏编程中的人工智能技术-神经网络入门（二）

     上一节介绍了代码的第一个部分：神经网络部分。那么光有神经网络就可以工作了吗？还不行，因为还没有设计神经网络的训练方法，即还没有设计神经网络权重的更新方法。在传统的有监督的神经网络中，先给一个训练集让神经网络进行训练。

    等等，啥叫训练集？啥叫训练？举个例子，你首先告诉神经网络1+1=2,1+2=3，1+3=4，这个就是训练集，你不仅告诉了神经网络问题，你还把结果也告诉它了，神经网络会根据问题更新权重来达到已知的结果，也就是说神经网络在输入1+1的情况下不断更新自己的权重，最终能输出2，这个就叫训练。当训练结束后，神经网络就可以自己计算未知的算式了，比如2+5=？，这个不在训练集内，也就是这个算式答案是未知的，但是神经网络经过训练以后，已经可以举一反三，算出结果了。不信？请参考LSTM-RNN。你也可以试试。

     只可惜这个世界上本来很多东西就是未知的，从哪来的训练集？所以，在这里我们着重研究第二种：无监督的神经网络。

     等等，有监督的神经网络好歹还有个训练集让其训练更新权重，现在连训练集都没了你让神经网络盲人摸象呀？别慌，在没有训练集的情况下，另一个利器：适应度函数就出现了。神经网络通过不断的更新权重使得适应度函数逐步优化。当适应度函数满足某个条件后，就算训练完成了。而如何设计适应度函数，以及适应度函数如何优化呢？这就得靠我们的老朋友：遗传算法了。

    言归正传，现在介绍代码中的第二个部分，遗传算法部分：CGenAlg。

CGenAlg类：

class CGenAlg
{
private:

//this holds the entire population of chromosomes
vector <SGenome> m_vecPop;

//size of population
int m_iPopSize;

//amount of weights per chromo
int m_iChromoLength;

//total fitness of population
double m_dTotalFitness;

//best fitness this population
double m_dBestFitness;

//average fitness
double m_dAverageFitness;

//worst
double m_dWorstFitness;

//keeps track of the best genome
int m_iFittestGenome;

//probability that a chromosones bits will mutate.
//Try figures around 0.05 to 0.3 ish
double m_dMutationRate;

//probability of chromosones crossing over bits
//0.7 is pretty good
double m_dCrossoverRate;

//generation counter
int m_cGeneration;

void Crossover(const vector<double> &mum,
const vector<double> &dad,
vector<double> &baby1,
vector<double> &baby2);

void Mutate(vector<double> &chromo);

SGenome GetChromoRoulette();

void GrabNBest(int NBest,
const int NumCopies,
vector<SGenome> &vecPop);

void FitnessScaleRank();

void CalculateBestWorstAvTot();

void Reset();

public:

CGenAlg(int popsize,
double MutRat,
double CrossRat,
int numweights);

//this runs the GA for one generation.
vector<SGenome> Epoch(vector<SGenome> &old_pop);

//-------------------accessor methods
vector<SGenome> GetChromos()const{return m_vecPop;}
double AverageFitness()const{return m_dTotalFitness / m_iPopSize;}
double BestFitness()const{return m_dBestFitness;}
//double RealBestFitness()const{return m_dBestFitness/m_iTicks;}

};
这个在遗传算法入门里已经说明了，所以不再详述。唯一要注意的有两个函数：CalculateBestWorstAvTot()和GrabNBest()。
void CGenAlg::CalculateBestWorstAvTot()//用于计算种群中的最大适应度，最小适应度，平均适应度，以及适应度总和
{
m_dTotalFitness = 0;

double HighestSoFar = 0;
//2016-07-17 qx
double HighestSoFarReal = 0;
double LowestSoFar = 9999999;
//2016-07-17 qx
double LowestSoFarReal = 9999999;

for (int i=0; i<m_iPopSize; ++i)
{
//update fittest if necessary
if (m_vecPop[i].dFitness > HighestSoFar)//最大适应度计算
{
HighestSoFar = m_vecPop[i].dFitness;

m_iFittestGenome = i;

m_dBestFitness = HighestSoFar;
}
//2016-07-17 qx
/* if (m_vecPop[i].dFitness/m_iTicks> HighestSoFarReal)
{
HighestSoFarReal = m_vecPop[i].dFitness/m_iTicks;

//m_iFittestGenome = i;

m_dBestFitnessReal = HighestSoFarReal;
}
*/
//update worst if necessary
if (m_vecPop[i].dFitness < LowestSoFar)//最小适应度计算
{
LowestSoFar = m_vecPop[i].dFitness;

m_dWorstFitness = LowestSoFar;
}

m_dTotalFitness += m_vecPop[i].dFitness;//适应度总和计算

}//next chromo

m_dAverageFitness = m_dTotalFitness / m_iPopSize;//平均适应度计算
}

void CGenAlg::GrabNBest(int	            NBest,
const int	      NumCopies,
vector<SGenome>	&Pop)
{
//add the required amount of copies of the n most fittest
//to the supplied vector
while(NBest--)
{
for (int i=0; i<NumCopies; ++i)
{
Pop.push_back(m_vecPop[(m_iPopSize - 1) - NBest]);//特别注意，使用精英选择法之前一定要对m_vecPop的适应度
//进行从小到大的排序，这里没有排序是因为在别的地方排过序了。
}
}
}

其他请参见“遗传算法入门”内容