我决定使用神经网络来为我拥有的动画引擎创建行为。神经网络为我拥有的每个身体部位接受 3 个向量 3 和 1 个欧拉角。第一个向量 3 是位置，第二个是它的速度，第三个是它的角速度。欧拉角是身体部分的旋转。我有 7 个身体部位。这些数据类型中的每一种都有 3 个浮点数。7*4*3 = 84，所以我的神经网络有 84 个输入。输出映射到角色的肌肉。它们提供了适用于每块肌肉的力量，其中有 15 个。
我同时运行 15 个网络，持续 10 秒，通过计算最低的能量消耗、最少的 z 和 x 运动量以及身体部位与其他部位相比是否处于正确的 y 位置（hips.y > upperleg.y、upperleg.y > lowerleg.y 等），然后通过遗传算法运行它们。我正在运行一个每个隐藏层有 168 个神经元的神经网络，其中有 8 个隐藏层。我试图让角色站直，不要移动太多。我运行了 3000 代，但我什至没有接近。
神经网络和遗传算法是本教程的 C# 版本。我将交叉方法从一点更改为混合。
我有 84 个输入和 15 个输出。我的神经网络应该有多大？
您要解决的问题是一个非常棘手的问题，我怀疑任何“普通” GA（尤其是对网络使用固定架构的）都会解决它（在合理的时间内）。我也不认为你会在隐藏层中找到“正确数量的神经元”。
但是，如果您愿意花一些时间来看看HyperNEAT for Locomotion Control in Modular Robots，它或多或少地处理相同的问题。他们使用了一种非常先进的遗传算法，称为 HyperNEAT，并报告了一些不错的结果。
HyperNEAT 建立在 NEAT（增强拓扑的神经进化）之上。NEAT 不仅能够进化 ANN 的权重，还能够进化它们的结构。它从简单的网络开始，慢慢地让它们变得更复杂，直到你达到你的目标（或放弃）。
然后对 NEAT 稍作修改，以便能够使用各种激活函数。当它应用于一组点时，例如在坐标系中，它将使它能够产生各种各样的“模式”。这些模式可以具有一些有趣的特征，例如完美/不完美的对称性，或者它们可以是周期性的。这种变体称为组合模式生成网络或 CPPN。这项技术的一个引人注目的应用是PicBreeder，其中网络用于“绘制”图片。
在HyperNEAT中，CPPN 用于创建其他 ANN。新网络的隐藏层由所谓的基底表示，可以想象该层的神经元被置于 2D/3D 坐标系中。然后对于每一对可能的神经元（所有从输入层到所有隐藏层，从所有隐藏层到所有输出），CPPN 用于确定权重。因此我们有一个间接编码，它
总而言之，它会给你一个解决复杂问题的机会。
如您所见，这种技术有不同的层次，因此自己实现它并不容易。幸运的是，它有一些很好的实现，您可以在 NEAT主页上找到它们，以及许多其他文档、论文和教程。
有趣的方法！我一直在考虑类似的事情，很想听听你得到什么结果。
您必须进行测试，但我猜您的隐藏层太多。我认为这个应用程序最多可以使用一两个。
你还应该看看你的健身功能——我怀疑提供学习可能“太难”了，因为一开始它没有站起来的希望。因此，您陷入的“局部最小值”是学习如何以最少的努力跌倒。不是很有用。一般来说，GAs 受局部最小值的影响很大。
为了提高你的健身功能，我会尝试惩罚每帧的直立偏差。这将为管理部分平衡的解决方案带来一些好处，因此应该有一条改进路径。在你让它们平衡之前，我根本不会担心能源使用。