Variation
Hvert individ starter med et lidt forskelligt genom.
Genetiske algoritmer
Lær gennem spil · variation, udvælgelse og forbedring
Laboratorium · Simulér · Vælg · Mutér
Ingen agent ved, hvordan den skal spille — endnu
Her får en hel population af små spil-agenter lov til at fejle. De bedst tilpassede løsninger får flest efterkommere, gener blandes, og små mutationer skaber nye forsøg. Se evolutionen opstå generation for generation.
Din missionFind indstillinger, der får en population til at lære. Sammenlign derefter med en population, hvor variationen er for lille — eller alt for stor.
Fitness
Spillets resultat giver hver agent en score.
Selektion
Gode løsninger bliver oftere valgt som forældre.
Mutation
Små ændringer holder nye muligheder åbne.
Dino Run · hop over kaktusser
Fitness = overlevelsestid og tilbagelagt afstandDen klare blå agent er den nuværende bedste. Svage agenter vises dæmpet.Fælles bane · alle møder de samme kaktusser
Generation
1
i gang
Population
24
individer
Bedste fitness
0
i denne generation
Gennemsnit
0
fitness
Overlevende
24
lige nu
Mutation
6%
pr. gen
En regel bliver til adfærd
Hver dino har fem tal som genom. Tallene vægter afstand til kaktussen, dinoens højde, fart og kaktussens højde. Hvis den samlede score er stor nok, hopper dinoen.
bedste levende agentandre levende agenteragenter, der er ude
Fitness gennem generationerne
Hver afsluttet generation lægger et punkt i grafen. Sammenlign den bedste agent med populationens gennemsnit.
━ bedste fitness━ gennemsnitlig fitness
Fra simulation til Python
Dette er den centrale evolutionære løkke i ren Python. Den viser genom, fitness, turneringsselektion, krydsning, mutation og elitisme — uafhængigt af selve spillet.
Fire undersøgelsesopgaver
Se de første Dino-agenter. Hvilke forskelle i hop kan du forklare ud fra deres fitness?
Sæt mutation til 0 %. Bliver populationen bedre, og hvad mister den, når alle gener kopieres videre?
Prøv 50 % eller 100 % mutation. Hvilke gode løsninger forsvinder, og hvordan ses det i fitnessgrafen?
Åbn Flappy Bird. Hvorfor kræver denne case andre input, selv om den genetiske algoritme er den samme?