用于人工智能中对手预测的神经网络 [关闭]

Posted 2023-03-12

【中文标题】用于人工智能中对手预测的神经网络 [关闭]

【英文标题】：Neural Networks for opponent prediction in AI [closed]

【发布时间】：2012-04-17 16:03:16

【问题描述】：

目前我正在为一个游戏创建一个 AI 播放器的项目。我正在使用 UCT 算法，我计划添加对对手移动的预测。为此，我想使用神经网络，但遇到了一些问题：

已经有一些数据我想为默认玩家构建一个基本的神经网络，即我以前从未见过的玩家。问题是我想更新这个网络，以便它适应每个特定的对手。我曾尝试搜索在线神经网络算法，但到目前为止还不是很成功。你能给我一些建议如何实施吗？如何在不完全从头开始训练的情况下根据新数据更新参数？

编码是用 Java 完成的，我尝试使用 Weka 来处理我拥有的数据。然而，我在那里找到的唯一神经网络分类器是多层感知器。我熟悉单层感知器，我知道它的输出不是概率（与对数线性或朴素贝叶斯分类器相反）。多层感知器也不是生成器吗？如果是这样，使用它输出的这些“分数”作为概率有多不准确？我应该使用不同的神经网络算法吗？如果是这样，是否有可用的 Java 库？

非常感谢。

【问题讨论】：

这已经在别处进行了调查，结果很好。 Sigmoids 是对生物认知（突触强度）的原始研究的回归。突触是本质上是数字的非线性传递函数（学习）的模拟模型。使用方波，不要被那些认为它们是线性的人混淆。它们是非线性的定义。 ***.com/questions/10018821/…

@Dominic：“其他地方”信息的存在并不会使关于 SO 的问题无效。

【参考方案1】：

好的，所以我对此有更多了解并进行了更多研究，我决定按以下步骤进行：

由于我没有找到更好的方法，我将使用通常的反向传播算法对新的训练值执行 1 个更新步骤。据我所知，使用新值进行 1 次更新是其他一些算法中的常用方法，当人们将它们转换为在线学习时。不过，找到正确的学习率可能会很有趣。由于这种方法每次移动只会进行 1 次更新，因此不需要对反向传播进行太多优化，因此我将编写自己的解决方案并且不会使用任何库。

在这里，我可能会放弃 Weka 工具，而尝试使用 FANN 库。因为我在计算完默认参数后就不需要使用它，所以它实际上是用不同的语言实现的。

如果您知道更好的解决方案，请告诉我。谢谢。