Pattern Matcher ancel_a, creuso_a, chanio_f 1
Sommaire Rappel du projet Présentation du réseau de neurone initial Présentation de l’implémentation de la génétique. 2
Le jeux Une plaine qui contient de l’herbe, des moutons et des loups. Un système d’action en tour par tour. La plaine n’a pas de bord (toroidal) Une seule IA par espèce. 3
Le système Exécution des actions Analyse des performance des actions Neurone a crée des action 4
Les changements Une partie du moteur logique refait Grosse optimisation Réécriture de la pousse de l’herbe Le réseau de neurone prend maintenant les 5 actions précédentes La mise en place de la génétiques 5
Réseaux de neurones manuel 2 couche cachées 238 neurones en entrée (les case vue, la faim, et les 5 dernière actions) 238 neurones pour les couches cachées 7 neurones de sortie (les actions) Learning rate : 0.7f Fonction d’activation: Gaussian stepwise 6
Gene de l’environnement Gene des réseaux de neurones. Nombre et taille des couches cachées. Learning rate et fonctions d’activations. Step d’apprentissage et de décision. Gene de l’espèces. Les poids de l’évaluation. 7
L’algorithme génétiques 20 Environnement qui tournent en parallèles pendant 30min. On évalue chaque environnement, on choisie les parents proportionnellement a leurs performance. On choisie le maillon faible en inversant la perf. 1 chance sur 10 d’avoir une mutation. 8
Conclusion Il nous faut plus de processeur. Il nous faut plus de temps de calcul. Essayer d’optimisé le réseau de neurone pour l’utilisation. 9
Environnement des l'IA Partiellement Observable Continue (la simulation évolue). Déterministe (par de jeux de hasard). Discrète. Compétitif 10