我正在尝试构建一个由神经网络控制的代理的简单进化模拟。在当前版本中，每个代理都有一个带有一个隐藏层的前馈神经网络。环境中包含固定数量的食物，以红色点表示。当代理移动时，它会消耗能量，而当它靠近食物时，它会获得能量。代理的能量为0时死亡。神经网络的输入是代理的当前角度和到最近食物的向量。每个时间步，代理的移动角度会根据其神经网络的输出进行改变。当然，目标是观察到一段时间后会出现寻找食物的行为。然而，目前什么都没有发生。

我不知道问题出在神经网络的结构上（太简单了？）还是繁殖机制上：为了防止人口爆炸，初始人口约为20个代理，当人口接近50时，繁殖几率接近零。当繁殖发生时，通过从头到尾遍历代理列表，并检查每个代理是否有一个介于0到1之间的随机数小于该代理的能量与所有代理能量总和的比率。如果是，则搜索结束，该代理成为父代，我们将该代理的一个副本添加到环境中，并在其神经网络的一个或多个权重上有一定概率发生突变。

提前感谢！

回答：

如果环境足够友好（例如，找到食物很容易），那么随机移动可能是一种完全可行的策略，生殖成功可能更多地受到运气的驱动，而不是其他因素。还要考虑到意想不到的后果：例如，如果后代与其父代共处同一位置，那么它们在局部区域内立即成为竞争者，这可能在长期内导致两者都死亡的足够不利情况。

为了测试你的系统，引入一个具有“预设”神经网络的个体，设置为直接引导个体朝向最近的食物（你的模型是这样的，这种东西存在且相对容易编写，对吗？如果不是，那么期望它进化出来是不合理的！）。将该个体引入你的模拟中，与那些愚蠢的大众混在一起。如果该个体没有迅速占据主导地位，这表明你的模拟设置不利于这种行为。但如果该个体获得生殖成功，并且它及其后代占据主导地位，那么你的模拟做对了某些事情，你需要在其他地方寻找这种行为未能进化的原因。

回应评论的更新：

在我看来，这种角度和向量的混合是值得怀疑的。个体是否能进化到“直接朝向最近食物移动”的行为，很大程度上取决于你的网络能否很好地近似atan函数（我持怀疑态度）。这再次建议进行更多测试：

• 搁置所有生态模拟，仅测试扰动一组你的随机网络，看看它们是否能进化到预期的功能。
• （更简单，更好）让网络输出一个向量（而不是角度）：个体应该移动的方向（当然这意味着有两个输出节点而不是一个）。显然，“直接朝向食物移动”的策略就是直接传递“朝向食物的方向”向量分量，有趣的是看看你的随机网络是否能进化到这个简单的“恒等函数”（也应该允许引入如上所述的预设优化个体）。

我对“固定数量的食物”也持怀疑态度。（我假设你的意思是，一旦一个红色点被消耗，另一个就会被引入）。一个更“现实”的模型可能是以恒定速率引入食物，并且不施加任何人为的人口限制：人口限制由食物供应的限制决定。例如，如果你每分钟引入100单位的食物，而个体每分钟需要1单位的食物来生存，那么你的模拟应该发现它倾向于长期平均人口为100个个体，而无需任何限制来避免“人口爆炸”（尽管根据细节，可能会出现繁荣与萧条、盛宴与饥荒的动态）。