我正在进行一个小型副项目，目的是实验遗传算法。这个项目涉及两个类，生物和食物。生物每经过一个时间单位就会增加饥饿值，当找到食物时饥饿值会减少。生物可以移动，而食物是静止的。每个生物都有一个基因组，这只是一个随机生成的字符字符串。目标是经过几代之后，生物会进化出专门的移动模式，从而实现最佳的食物消耗。

目前，每个生物都由一个神经网络控制。神经网络的权重和偏置是从生物的基因组中导出的。神经网络的第一个输入是[0,0]。神经网络产生两个输出，分别决定生物的x和y方向的移动。这个输出将作为下一时间单位神经网络的输入。例如：

1: [0,0]->NN->[.598.., -.234...] // 生物向右上移动2: [.598...,-.234...]->NN->[-.409...,-.232...] // 生物向左上移动3: [-.409...,-.232...]->NN-> 等等

问题是，无论权重如何初始化，神经网络都会找到一种“固定点”。也就是说，经过两三次迭代后，输出和输入几乎相同，因此生物总是朝同一个方向移动。现在我没有训练神经网络，我也不想训练。所以我正在寻找一种生成输出的替代方法。

更具体地说，假设我有由基因组生成的n个随机权重。我需要一个由这些n个权重决定的关系，能够（以最宽泛的意义上）将[-1,1]范围内的两个输入映射到同一范围内的两个输出。关键是我希望权重对函数的行为有显著影响。我不想它像y=mx+b那样，我们只是改变y和b。

我知道这是一个相当模糊的描述。起初我认为神经网络会很完美，但似乎在没有训练的情况下，输入对输出的影响几乎为零（这也是合理的，因为神经网络是用来训练的）。

有什么建议吗？

回答：

这只是一个想法。

你有 f(genome) -> (w_1, w_2, ..., w_n)，其中 f 基于 genome 生成 w。

例如，你可以使用一个哈希函数 h 并计算 [h(w_1, ..., w_(n/2)), h(w_(n/2+1), ..., w_n))]。

通常，哈希函数应该对输入的微小变化产生非常不同的输出。但并非总是如此。你可以寻找那些是连续的哈希函数（输入的微小变化，输出的微小变化）。这种类型的函数可用于相似性搜索，http://en.wikipedia.org/wiki/Locality_sensitive_hashing 可能会提供一些想法。这样你实际上可以直接在基因组上使用哈希函数。

否则，你可以尝试分割基因组或权重，并为分割部分赋予不同的用途。假设 n = 4。

(w_1, w_2) 影响 x

(w_3, w_4) 影响 y

然后你可以计算 x 为 (w_1 + w_2*Random_[-1,1])/2，其中 Random_[-1,1] 是区间 [-1,1] 内的随机数，并且假设对于所有 i，w_i \in [-1,1]。

对 y 进行类似的计算。

然后你的遗传算法将优化生物移动的速度和随机性，以便最佳地寻找食物。如果你有更多的权重（或更长的基因组），你可以尝试设计一个更复杂的函数，遵循类似的思路。

这实际上表明，在使用遗传算法时，问题解决的重点转移到了寻找好的基因组表示和好的适应度函数上，所以如果在这方面遇到一些困难，不要担心。