问用于动画系统的神经网络大小

EN

你想要解决的问题是一个相当棘手的问题，我怀疑任何“香草”气体(特别是那些使用固定网络架构的气体)将(在合理的时间内)解决它。我也不认为你会在隐藏层中找到“正确的神经元数量”。

然而，如果你愿意花一些时间在它上面，可以看看HyperNEAT for Locomotion Control in Modular Robots，它或多或少地解决了同样的问题。他们使用了一种非常先进的名为HyperNEAT的遗传算法技术，并报告了一些良好的结果。

HyperNEAT是建立在NEAT (Neuroevolution of augmenting topologies)之上的。NEAT不仅可以进化神经网络的权重，还可以进化其结构。它从简单的网络开始，慢慢地让它们变得更加复杂，直到你达到你的目标(或放弃)。

然后稍微修改一下，就可以使用各种激活功能了。当它应用于一组点时，例如在一个坐标系中，它将使它能够产生各种各样的“模式”。这些模式可以有一些有趣的特征，比如完美/不完美的对称性，或者它们可以是周期性的。这种变体被称为Compositional pattern-producing network或CPPN。这项技术的一个壮观的应用是PicBreeder，在那里网络被用来“绘制”图片。

在HyperNEAT中，CPPN用于创建其他ANN。新网络的隐藏层由所谓的衬底表示，可以想象，就像层中的神经元被置于2D/3D坐标系中一样。然后，对于每一对可能的神经元(从输入层到所有隐藏，从所有隐藏到所有输出)，使用CPPN来确定权重。因此，我们有一个间接编码，它

• 本身就很小，
• 可以在末尾产生任意大的网络，
• 也可以显示出在现实/自然中表现出来的相当复杂的behavior
• patterns (同样，对称，周期性行为)可以相对容易地出现。请注意，对于动画/有效的运动，这两种方法都很有优势(如果不是必须的话)。

总而言之，这将给你一个解决复杂问题的机会。

正如您所看到的，这种技术有不同的层次，因此为您自己实现它并不容易。幸运的是，它有一些很好的实现，你可以在整洁的home page上找到它们，还有很多其他的文档、论文和教程。

有趣的方法！我已经考虑类似的事情有一段时间了，我很想知道你得到了什么结果。

你将不得不测试，但我猜你有太多的隐藏层。我认为这个应用程序最多只能使用一两个。

你也应该看看你的健身功能--我怀疑提供学习可能“太难”了，因为在一开始它是没有希望站起来的。因此，你陷入的“局部最小值”就是学习如何以最小的努力跌倒。不是很有用。一般情况下，GAs会遭受相当多的局部最小值。

为了提高你的体能能力，我会尝试像惩罚每一帧的直立偏离。这将在一定程度上归功于管理部分平衡的解决方案，因此应该有改进路径。我根本不会为能源使用而烦恼，除非你让它们达到平衡。