最后一部分。
在前面的章节（ 第1部分 ， 第2 部分，关于GPU的部分 ）中，我们谈到了比赛，神经网络，遗传算法的条件，因此让我们继续。
但是在继续之前，有一个到GitHub的链接，其中包含c ++程序的源代码，并支持本文的标题-bin文件夹中Windows下的可执行文件，与screeen保护程序非常相似。 在文章的地下室，他组织了过去锦标赛的“名人堂”。
因此，我们确定了该程序的体系结构，该体系结构由两个独立的部分（程序）组成，该部分仅包含神经网络和与比赛组织者的游戏服务器的通信协议（游戏机器人本身），而主要部分则由以下模块组成：
简要介绍每个部分。
物理引擎。 基于官方来源的物理计算模块，重做了GPU，并添加了机器人感应器计算，适应度函数和机器人碰撞。 源代码删除了病毒，并且bot尝试共享，从而分割了程序的不稳定部分。 因此，我没有分享自己的错误。
神经网络。 上次我们充分详细地讨论了它，包括代码中的实现，因此我认为这里也很清楚，尤其是因为读者没有特别的疑问。
遗传算法。 其实施范围存在差距。 现在，我最有可能重复一遍，但再次重复一遍会更容易。
演讲幻灯片让我印象深刻。 因此，主要问题仍然存在：如何推动进化？ 为此，发明了健身功能。 适应度函数的主要目标是选择基因型，以便从当前的机器人种群传播到下一个机器人。
健身功能的选择方式最有可能变得清晰。 过境问题仍然存在。
有几种基本的杂交方法， 更多的链接 。 但是基本原理是父母基因型之间基因的随机交换。 通常选择两个父母，从人口中选择父母的方法也有几种，可以更详细地阅读链接 。 尽管父母的选择是随机选择的，但是选择特定父母的可能性与适合度成正比。
接下来， 将突变函数应用于完成的基因型。
在我们的情况下，该算法会不时地将任意选择的基因更改为随机基因，换句话说，神经网络的权重之一会更改为随机基因。
我们有了新的人口，进一步的发展继续达到预期的结果。 有几点，第一：机器人中的机器人越多，遗传算法找到最优解或收敛到该解（神经网络中权重的最佳比率）的速度就越快。 例如，如果一个机器人具有1000个基因，则搜索空间将由3000个机器人组成，而不是300个机器人。 但是，另一个问题是，如果将所有3000个机器人放到为4-8个机器人设计的竞技场中，那么很可能其中的机器人会变得身体很拥挤，如果他们学到了什么，那么在Agario中绝对不是游戏。 因此，有两种主要方法可以避免竞技场人数过多：第一种方法是从总体中选择多个机器人并在竞技场中竞争，以及如此多次，直到我们为每个机器人积累游戏统计数据为止。 作者进入的第二个步骤是并行启动多个竞技场，例如50-300，这完全取决于一台特定计算机的功能，与此同时，整个机器人群体也参加了比赛。 可以将种群分为具有适应性功能和标识符（对应于竞技场的数量）的亚种群，然后在亚种群之间交换基因型。 或者将一切想象成一群在不同领域中玩耍的机器人。 作者尝试了两种选择，但在源代码版本中只有一堆机器人。 Depth程序中的参数是竞技场编号。
因此，他讲了构建程序的基本原理。 谁想看直播，欢迎访问github的链接。
如果您无法启动，那么这段短片会变亮：
公告： 8月，mail.ru将组织另一场AI mini杯赛，官方公告尚未成真。 但是，根据该小组电报提供的信息，竞争的基础还是物理引擎，与汽车有关。 因此，简要介绍一下创建机器人的原理，当然那些人也会感兴趣：
在这里，像我们的足球队一样，建议离开小组，结局是另外一首歌。 让决赛选手写出胜利的故事，但是我们的主要参与。
最简单明了：
在bot代码的主体中编写更多不同的条件，例如if（hole）-> jump等。 简单的条件在锦标赛开始之初就有效，然后机器人的复杂性将增加，而条件解决方案的优势将消失。
因此，许多战略游戏中最有前途的方法是：
PP方法（ 或势场 ）。 这个想法很漂亮，在动态环境中寻求最大或最小。 选定尺寸的网格将建立在整个游戏环境上，或者仅建立在机器人周围的区域上，而这一切都取决于机器人的范围。 此外，在此网格的每个节点上，我们都会考虑到我们感兴趣的对象的距离，或者可以选择立即选择电位，它们可以是正的（吸引力，这对于机器人来说是有趣的）和负的（对机器人来说是危险的）。 因此，将点处的电位相加，就可以得出网格每个点的总电位。 潜力领域。 机器人只能根据当前的任务选择最小或最大的潜力。 基本上，潜在的领域是2D实现，尽管3D看起来很酷，但是将有大量的计算资源。
最难的是：
两种主要的实现是蛮力 法或蒙特卡洛法 。 它们每个都是单独文章的主题，但是根据感觉，正是这些方法将您带入了决赛。 如果是论文，那么机器人不仅可以查看当前时间或过去，而且可以根据需要查看未来，这里出现了可能结果的漏斗（圆锥），并且机器人想要看的越远，就会出现更多的选择。 例如，在时间点Tick零，机器人决定沿八个方向之一前进，在步骤Tick +1中，在八个新坐标的每个坐标中，它都有机会沿八个方向再次前进，依此类推。 有必要在此期间考虑敌人的可能移动。 计算的每个可能结果都会带来可能的收益或损害。 机器人根据该方向朝着其中一个方向移动。 而且，对将来时态的深度进行这样的计算十分重要。 移动视图的深度取决于计算机的可能资源。 因此，对于小型计算机资源，出现了优化这些计算的问题。
关于源代码，如果有兴趣，我将对代码进行注释，同时按原样进行布局。
在源代码中，当前Tick和前一个Tick的信号被发送到神经元的输入，这变得更加有趣了，这要感谢读者：tongohiti的想法。
对于那些记得有关神经网络中权重初始分布的论文的人来说，一个有趣的话题是Xavire初始化。
谢谢您的关注。 在AI竞赛中与我见面。
参与者的相关文章，但首先是题外话 ：
她坐在地板上
并整理了一堆字母
像冷却的灰
我将它们握在手中并扔了出去。
熟悉的床单
她看着他们真是太好了，
灵魂如何从上方看
在他们身上遗弃的尸体...
哦，这里有多少生命
不可逆转的经验！
哦，有多少分钟
爱与欢乐被杀死！
我在2017年俄罗斯人工智能杯上的策略
参加2016年俄罗斯AI杯年度竞赛的历史（几乎是胜利）
2015年度俄罗斯AI杯的胜利历史
2014年俄罗斯AI杯：获胜者策略
2013年俄罗斯AI杯金牌-一切如何
2012年俄罗斯AI杯银牌之路