人工智能 Java 坦克机器人系列: 遗传算法－机器与智能网

关键词：Java

通过三个循环遍历整个群体，对各个适应度进行比较后找出最优适应度。

4. 产生遗传后代

public void newGeneration (){
…
	String copy_pop[] = ga.copy (ga.population, ga.copy);
	String cross_pop[] = ga.crossover (ga.population, ga.crossover);
	copy_pop = ga.mutate (copy_pop, ga.mutation);
	cross_pop = ga.mutate (cross_pop, ga.mutation);
	for (int i = 0; i < copy_pop.length; i++){
	    ga.population[i+elite_pop.length].genome = copy_pop[i];
	}
	for (int i = 0; i < cross_pop.length; i++){
	    ga.population[i+elite_pop.length+copy_pop.length].genome = cross_pop[i];
	}
…	
	current_generation++;
	evaluateAll();
    }

通过复制(ga.copy)、交叉(ga.crossover)、变异(ga.mutate)操作，产生出遗传后代。

_{SmallBrain：}

SmallBrain也即我们写的利用遗传算法的例子机器人，它开始读取遗传文件"genome.dat"，产生新的编码，当扫描到敌人时把所有相关的信息写入数组robot_data，再通过循环操作进化写入输入运算，最后遍历输入运算决定输出机器人的动作。

1.编码：

public void parseGenome (String genome){
	functions = new int [num_boxes][num_events];
	inputs1 = new int [num_boxes][num_events];
	inputs2 = new int [num_boxes][num_events];
	robot_data = new double [num_boxes + num_system_inputs][num_events];

通过parseGenome方法，设置function,input1,input2等数组的参数，对要操作的机器人进行编码。这部分和最上面提来的TableRex编码表是一致的。

2.写入状态信息

public void onScannedRobot (ScannedRobotEvent e){
   	robot_data[0][kSCAN_EVENT] = getVelocity(); 
	robot_data[1][kSCAN_EVENT] = getEnergy(); 
	robot_data[2][kSCAN_EVENT] = getHeading();		
….

3.根据函数数组写入输入运算

for (int i = 0; i < num_boxes; i++){
	    switch (functions[i][event_num]){
	    case 0： //greater than
		robot_data [i + num_system_inputs][event_num] = 
		    robot_data[inputs1[i][event_num]][event_num] >
				robot_data[inputs2[i][event_num]][event_num]?1f：0f;
		break;
	…
	    case 2： //equal to
break;
	    case 15：  //output
		handleOutput (inputs1[i][event_num], robot_data [inputs2[i][event_num]][event_num]);
		break;

此处注意最后是根据写入的操作运算进行输出

4.输出机器人动作命令

  public void handleScanOutput (int outputType, double value){ 
	switch (outputType % 16){
	case 0：
	    ahead (value); break;
	case 1：
	    back (value); break;
	case 2：
	    //maybe shouldn't use mod here
	    fire (value % 3); break;
	…

最后我们可以看出TableRex程序中,smallBrain和BrainWorld之间以文件方式并行交互，smallBrain扫描信息，写入文件。BrainWorld根据文件数据进化机器人，并把进化结果写入文件，smallBrain根据进化后的数据产生机器人的动作。

_{GPBot 小型遗传机器人}

Geep 的机器人GPBot系统正是采用了TableRex解释程序的简单例子。

GPBot仅由四行代码组成（每行都以分号结束），它做了如下一些定制达到代码最优化：忽略雷达旋转，让它直接随着炮管而转动TurnGunRight(INFINITY);把行为做为常量来实现，让它们能显示在进化代码序列的任意点。

OnScannedRobot() {
MoveTank(<GP#1>);
TurnTankRight(<GP#2>); 
TurnGunRight(<GP#3>);
}

GPBot所有事件都写在ScannedRobotEvent事件。每个方法都利用到了遗传算法进化机器人。第一行代码移动系统进化，适应度值依照个体躲避子弹，避墙和敌人的能力而设置;第二行代码指示坦克旋转指定的方向角。第三行代码瞄准系统进化指示炮管旋转指定的方向角, 适应度值依照个体打中敌人概率来设置。GPBot群体大小为256个个体，变异、交叉概率分别为0.9，选择长度为5。在最附录中提供了例子机器人人下载。

_测试结果

最后我们给出一些测试数据，看看我们的程序不同的测试结果。

变异概率变化测试:

群体大小: 25
变异概率(Mutation): tested
精英概率(Elitism): 0.1
比赛回合: 20 rounds
后代: 25

我们选择变异概率分级从0.01到0.5这间。依照上面的遗传算法介绍，0.01的概率是比较合理的，所以我们以此为初始化值，下图中显示了所有的测试概率数据，从下图我们可以看出，开始一个很小的适应度值，从6代开始图形就增长很慢了，在13代的时候，有一个小的变化，到最后每个后代都相当逼近。

_{图4. 变异测试}

_{图5. 6 到 9代放大特写}

测试说明：

我们从上可以看出当我们给出初始的适应度在很小时，在第一代增长很多，经过一定数量的后代开始汇聚到一些最大的适应度值。由此我们得到证明，机器人在我们的学习环境中聪明的开始躲避子弹、墙、和其他机器人。而且它自己找到一个很好的瞄准位置给与敌人打击。

最后不能不说一下Jgap的使用, JGAP 是一款用Java编写的遗传算法包，由sourceforce上开发而来。它提供了基本的遗传算法，你可以使用它来解决一些适合用遗传算法解决的问题。而且它给出了很多例子程序，可用于我们一些遗传算法的测试工作。由于它来自于开源组织sourceforce，所以开源的遗传功能将是研究简单遗传算法很好工具。

近来在研究人工智能过程和坦克机器人时，发现国内也开发出了一个类似于 Robocode 仿真器的平台 AI-CODE，其思想延用 Robocode，但在 Robocode 基础上做了很多的改进，封装了一些函数模块，让开发者更侧重于算法和程序设计的学习。最有意思的这个平台能同时支持 Java,C,C++,C# 语言，从理论上看它支持任何语言。美中不足的是国内应用的例子还不是很多，远没有 Robocode 那么多可参考的例子。如果大家有兴趣可尝试在 AI-CODE 平台上用不同语言做一些遗传算法的测试。我想能帮助更多人工智能爱好者。其相关网站大家可到 http:///www.ai-code.org 去了解。

共4页上一页 [1] [2] [3] [4]

ROBOT & AI

人工智能 Java 坦克机器人系列: 遗传算法