神经网络入门(Neural Networks in Plain English)(7)

细胞的权重，读完第一个隐藏层，再向上读它的下一层，把所读到的数据依次保存到一个向量中，这样就实现了网络的编码。因此，如果我们有图14所示的网络，则它的权重编码向量将为:

0.3, -0.8， -0.2， 0.6， 0.1， -0.l， 0.4， 0.5

在这一网络中，为了简单，我没有把偏移值的权重包括进去。但在实际实现编码时，你必须包含偏移值这个权重，否则你肯定无法获得你所需要的结果。

图14 为权重编码。

在此之前讲的事情你都懂了吗？好极了，那下面就让我们转来考虑，怎样用遗传算法来操纵已编码的基因吧。

4.6 遗传算法（The Genetic Algorithm）

到此，所有的权重已经象二进制编码的基因组那样，形成了一个串，我们就可以象本书早先讨论过的那样来应用遗传算法了。遗传算法（GA）是在扫雷机已被允许按照用户指定的帧数（为了某种缘故, 我下面更喜欢将帧数称作滴答数，英文是ticks）运转后执行的。你可以在ini文件中找到这个滴答数（iNumTicks）的设置。下面是基因组结构体的代码。这些对于你应该是十分面熟的东西了。

Struct SGenome

{

vector vecWeights;

double dFitness;

SGenome():dFitness(0) {}

SGenome(vector w, double f):vecWeights(w),dFitness(f){}

//重载'<'的排序方法

friend bool operator<(const SGenome& lhs, const SGenome& rhs) {

return (lhs.dFitness < rhs.dFitness); } };

从上面的代码你可看出，这一SGenome结构和我们在本书所有其他地方见到的SGenome结构几乎完全一致，唯一的差别就是这里的染色体是一个双精度向量std::vector。因此，可以和通常一样来应用杂交操作和选择操作。但突变操作则稍微有些不同，这里的权重值是用一个最大值为dMaxPerturbation的随机数来搔扰的。这一参数

dMaxPerturbation在ini文件中已作了声明。另外，作为浮点数遗传算法，突变率也被设定得更高些。在本工程中，它被设成为0.1。 下面就是扫雷机工程遗传算法类中所见到的突变函数的形式:

void CGenAlg::Mutate(vector &chromo) {

// 遍历权重向量，按突变率将每一个权重进行突变 for (int i=0; i

// 我们要骚扰这个权重吗？

if (RandFloat() < m_dMutationRate) {

// 为权重增加或减小一个小的数量

chromo[i] += (RandomClamped() * CParams::dMaxPerturbatlon); }

} }

如同以前的工程那样，我已为v1.0版本的Smart Minesweepers工程保留了一个非常简单的遗传算法。这样就能给你留下许多余地，可让你利用以前学到的技术来改进它。就象大多数别的工程一样，v1.O版只用轮盘赌方式选精英，并采用单点式杂交。 注意:

当程序运行时，权重可以被演化成为任意的大小，它们不受任何形式的限制。

4.7 扫雷机类（The CMinesweeper Class）

这一个类用来定义一个扫雷机。就象上一章描述的登月艇类一样，扫雷机类中有一个包含了扫雷机位置、速度、以及如何转换方向等数据的纪录。类中还包含扫雷机的视线向量（look-at vector）；它的2个分量被用来作为神经网络的2个输入。这是一个规范化的向量，它是在每一帧中根据扫雷机本身的转动角度计算出来的，它指示了扫雷机当前是朝着哪一个方向，如图11所示。 下面就是CMinesweeper扫雷机类的声明: class CMinesweeper {

private:

// 扫雷机的神经网络

CNeuralNet m_ItsBrain; // 它在世界坐标里的位置

SVector2D m_vPosition;

// 扫雷机面对的方向

SVector2D m_vLookAt; // 它的旋转(surprise surprise) double m_dRotation; double m_dSpeed;

// 根据ANN保存输出

double m_lTrack, m_rTrack;

m_lTrack和m_rTrack根据网络保存当前帧的输出。 这些就是用来决定扫雷机的移动速率和转动角度的数值。 // 用于度量扫雷机适应性的分数 double m_dFitness;

每当扫雷机找到一个地雷，它的适应性分数就要增加。 // 扫雷机画出来时的大小比例 double m_dScale; // 扫雷机最邻近地雷的下标位置 int m_iClosestMine;

在控制器类CControl1er中，有一个属于所有地雷的成员向量std::vector。而m_iClosestMine就是代表最靠近扫雷机的那个地雷在该向量中的位置的下标。 public:

CMinesweeper();

// 利用从扫雷机环境得到的信息来更新人工神经网 bool Update(vector &mines);

// 用来对扫雷机各个顶点进行变换，以便接着可以画它出来 void WorldTransform(vector &sweeper);

// 返回一个向量到最邻近的地雷

5Vector2D GetClosestMine(vector &objects); // 检查扫雷机看它是否已经发现地雷

int CheckForMine(vector &mines, double size);

void Reset();

// ----------------- 定义各种供访问用的函数

SVector2D Position()const { return m_vPosition; }

void IncrementFitness(double val) { m_dFitness += val; } double Fitness()const { return m_dFitness; } void PutWeights(vector &w) { m_ItsBrain.PutWeights(w); }

int GetNumberOfWeights()const { return m_ItsBrain.GetNumberOfWeights(); } };

4.7.1 The CMinesweeper::Update Function（扫雷机更新函数）

需要更详细地向你说明的CMinesweeper类的方法只有一个，这就是Update更新函数。该函数在每一帧中都要被调用，以更新扫雷机神经网络。让我们考察这函数的肚子里有些什么货色:

bool CMinesweeper::Update(vector &mines) {

//这一向量用来存放神经网络所有的输入 vector inputs;

//计算从扫雷机到与其最接近的地雷（2个点）之间的向量 SVector2D vClosestMine = GetClosestMine(mines); //将该向量规范化

Vec2DNormalize(vClosestMine);

首先，该函数计算了扫雷机到与其最靠近的地雷之间的向量，然后使它规范化。（记住，向量规范化后它的长度等于1。）但扫雷机的视线向量（look-at vector）这时不需要再作规范化，因为它的长度已经等于1了。由于两个向量都有效地化成了同样的大小范围，我们就可以认为输入已经是标准化了，这我前面已讲过了。

//加入扫雷机->最近地雷之间的向量