Como codificar uma rede neural artificial (Tic-tac-toe)? [fechadas]

Question

Eu quero jogar Tic-tac-dedo do pé usando uma rede neural artificial. Minha configuração da rede é a seguinte: Para cada um dos campos 9, utilizo 2 neurónio de entrada. Então, eu tenho 18 neurônios de entrada, é claro. Para cada campo, eu tenho um neurônio de entrada para um pedaço de jogador 1 e 1 neurônio por um pedaço de Jogador 2. Além disso, eu tenho um neurônio de saída que dá uma avaliação da posição atual diretoria. Quanto maior o valor de saída é, o melhor é a posição para o jogador 1. Quanto menor ela for, melhor é para o jogador 2.

Mas o meu problema é: Como eu poderia código que rede neural? Minha idéia era usar um Array [1-18] para os neurônios de entrada. Os valores desta gama são os pesos de entrada. O que eu ia a pé através da matriz usando um loop. Sempre que há um neurônio para ser ativado, eu adicionar o peso para o valor de saída. Assim, o valor de saída é a soma dos pesos dos neurónios de entrada activados:

Output = SUM(ActivatedInputNeurons)

Você acha que isso é uma boa maneira de programar a rede? Você tem ideias melhores?

Eu espero que você possa me ajudar. Agradecemos antecipadamente!

Answer 1

Bem, você tem uma camada de entrada de 18 neurônios, e uma camada de 1 neurônio de saída. Isso está ok. No entanto, você precisa dar o seu rede neural a oportunidade de colocar as entradas em relação. Para isso, você precisa de pelo menos uma camada intermediária. Gostaria de propor a utilização de 9 neurónios na camada intermédia. Cada um destes deve ser ligado a cada um neurónio de entrada, e o neurónio de saída deve ser conectado a cada intermediário. Cada tal ligação tem um peso, e cada neurónio tem um nível de activação.

Em seguida, você passar por todos os neurônios, uma camada de cada vez. A camada de entrada é apenas activado com o estado placa. Para todos os outros neurônios, você passar por todas as suas respectivas conexões e soma sobre o produto de nível de ativação do neurônio conectado e o peso da conexão. Finalmente, você calcula o nível de ativação através da aplicação de uma função sigmóide sobre esta soma.

Este é o princípio de funcionamento. Agora, você precisa treinar esta rede para obter melhores resultados. Existem vários algoritmos para isso, você vai ter que fazer algum googling e leitura. Finalmente, você pode querer ajustar o número de neurônios e camadas quando os resultados não conseguir convencer o suficiente rápido. Por exemplo, é possível reduzir a camada de entrada para 9 neurónios e activá-los com um para um X e -1 para uma O. Talvez a adição de outra camada rendimentos melhores resultados intermédios, ou o aumento do número de neurónios de uma camada.

Answer 2

Eu particularmente não entendo como você espera obter de um resumo da situação placa de fora de um neurônio de saída. Eu mais olhar para ter:

    I I I             O O O
    I I I      x      O O O
    I I I             O O O
9 input neurons  9 output neurons

numa rede totalmente ligada, isto é, 81 pesos. Em seguida, treinar os neurônios de saída para a conveniência relativa de jogar nessa posição.

Answer 3

Tenha um olhar em meu projeto Tic. Eu já resolveu este problema com ambas as redes neurais e algoritmos genéticos. O código fonte está livremente disponível.

http://www.roncemer.com / tic-tac-toe-an-experiência-in-machine-learning

Answer 4

Eu acho que você deve implementar um 'tradicional' feed-forward ANN usando funções de transferência, como que lhe permite treiná-lo usando back-propagação. O código para estes geralmente acaba sendo algumas linhas de código, algo como isto:

SetupInputs();
for (l = 1 .. layers.count)
    for (i = 0 .. layers[l].count)
        sum = 0
        for (j = 0 .. layers[l-1].count)
            sum += layers[l-1][j] * weights[l-1][j]
        layers[l][i] = TransferFunction(sum)

Answer 5

Este é um projeto excelente arranque para AI codificação, mas chegando com uma solução completa será maneira de grande de uma resposta para SO.

Tal como acontece com a maioria dos softwares, eu recomendo o uso de um projeto orientado a objetos. Por exemplo: definir uma classe Neuron que tem entradas, pesos, e uma função de saída. Em seguida, crie várias dessas Neuron objetos a fim de construir sua rede.

Veja o artigo da Wikipedia sobre redes neurais artificiais para um bom ponto de partida.

Boa sorte com o código! Soa como um monte de diversão.

Answer 6

Não é uma resposta directa à sua pergunta, mas você deve ter um olhar para o seguinte quadro / ferramenta: SNNS ou sua contraparte Java JavaNNS . Tenho certeza de que lá você vai encontrar uma resposta para sua pergunta.

Answer 7

Depois de adicionar os pesos, você precisa para normalizar a soma usando uma função, as pessoas geralmente usam TANH, se você quiser permitir que os números negativos.

Editar:

Aqui está um java multicamadas perceptron implementação que trabalhei há alguns anos. este foi usado para damas, mas com menos insumos você pode usá-lo para damas também.

Além disso, você precisa provavelmente descobrir uma maneira de ensiná-lo a ganhar, mas isso é outro problema

Answer 8

Você vai economizar tempo se você usar a biblioteca rede neural como FANN ou Neuroph.

Uma maneira de codificar a sua entrada é de 9 neurônios de entrada. A saída também é bom para ser 9 neurónios. O que não vejo nos outros replays é o tamanho da camada escondida. Eu suponho que você está indo para usar MLP com 3 camadas tradicionais. O tamanho da camada escondida é sempre mistério. Eu tentaria 10 neurônios ocultos.

Se a função de transferência é sigmóide você pode codificar entrada da seguinte forma:

0.0 - jogador O

.

1.0 -. X jogador

0.5 -. Vazio

A saída da ANN será de 9 números reais. Neste caso, algumas das células já estará ocupada. Você pode procurar o valor de saída mais alta que corresponde a uma célula vazia.