xviniette/FlappyLearning
FlappyLearning
FlappyLearning este un sandbox de machine learning și un antrenor de rețele neuronale conceput pentru a simula strategii de neuroevoluție. Acesta oferă un mediu în care agenții artificiali sunt evoluați folosind algoritmi genetici pentru a optimiza performanța într-o simulare de joc.
Sistemul folosește un model populațional neuroevoluționar care utilizează rețele neuronale feedforward pentru a dezvolta agenți de joc autonomi. Acesta gestionează evoluția acestor agenți prin iterații bazate pe generații, folosind selecția bazată pe fitness pentru a determina care rețele supraviețuiesc și se reproduc.
Framework-ul de antrenare încorporează mutația stochastică a ponderilor pentru a explora noi comportamente și conservarea bazată pe elitism pentru a menține trăsăturile cu cele mai bune performanțe de-a lungul generațiilor. Utilizatorii pot ajusta parametri precum dimensiunea populației și ratele de mutație pentru a regla procesul de învățare.
Features
- Neuroevolution Frameworks - Provides a complete framework for evolving populations of neural networks across multiple generations.
- Game-Playing Agents - Develops autonomous agents that learn to master a video game environment without manual instruction.
- Weight Mutation - Introduces stochastic weight mutations to explore new behaviors and prevent the population from converging prematurely.
- Fitness-Based Selection - Evaluates agents based on game scores to determine which networks are selected for reproduction.
- Generation-Based Evolutions - Cycles through discrete training phases where each population is replaced by a refined set of descendants.
- Population-Based Training - Implements a population-based training strategy to evolve neural network weights through mutation and selection.
- Feedforward Architectures - Uses a feedforward neural network architecture to map game state inputs to binary action outputs.
- Neural Network Trainers - Implements a trainer that optimizes network weights through a population-based evolutionary loop.
- Neuroevolution Training - Trains neural networks using evolutionary algorithms to solve a game by rewarding high scores.
- Population-Based Optimization - Maintains an evolving group of candidate neural networks to optimize game performance.
- AI Game Simulations - Simulates a Flappy Bird game clone as an environment for evolving neural networks.
- Elitism Strategies - Employs elitism-based preservation to ensure the most successful neural networks are carried forward into new generations.
- Machine Learning Sandboxes - Provides a programmatic space for testing neuroevolutionary strategies and observing the learning progress of agents.
- Evolutionary Parameter Tuning - Allows tuning of population sizes and mutation rates to optimize how the model evolves over time.
