我曾经写过一个俄罗斯方块 AI，它玩得非常好。我使用的算法( described in this paper )是一个两步过程。
在第一步中，程序员决定跟踪对问题“有趣”的输入。在俄罗斯方块中，我们可能对跟踪一行中有多少个间隙感兴趣，因为最小化间隙可以帮助更轻松地放置 future 的碎片。另一个可能是平均柱高，因为如果您即将失败，冒险可能是个坏主意。
第二步是确定与每个输入相关的权重。这是我使用遗传算法的部分。任何学习算法都可以在这里完成，只要根据结果随时间调整权重即可。这个想法是让计算机决定输入与解决方案的关系。
使用这些输入及其权重，我们可以确定采取任何行动的值(value)。例如，如果将直线形状一直放在右列中将消除 4 个不同行的间隙，那么如果它的权重高，这个 Action 可能会得到非常高的分数。同样，将它平放在上面实际上可能会导致间隙，因此该 Action 会得到低分。
我一直想知道是否有一种方法可以将学习算法应用于第一步，在那里我们找到“有趣”的潜在输入。似乎可以编写一个算法，让计算机首先了解哪些输入可能有用，然后应用学习来衡量这些输入。以前有没有做过这样的事情？它是否已经用于任何 AI 应用程序？
最佳答案
在神经网络中，您可以通过查找与您正在训练的分类具有最强相关性(正或负)的输入来选择“有趣”的潜在输入。我想你可以在其他情况下做类似的事情。
关于artificial-intelligence - 确定在进化算法中要加权的输入，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/1638981/