Repository: https://github.com/NekkoDroid/AbgabeKI
Das gesamte Projekt kann an innerhalb der [__main__.py
] Datei finden. Diese besteht aus einem sehr simplen "Connect 4" (deutsch. "4 Gewinnt"),
einem Neural Network der mit Tensorflow gemacht wurde, als auch ein Algorithmus, der zur Genetischen Evolution des Neural Networks mehrerer
Generationen benutzt wird. Ziel diese Projektes ist es eine Model zu kreieren, gegen welches man Spielen kann und das in so wenig Zügen wie möglich
gewinnt und möglichs langsam verliert wenn dies zutrifft.
Im dieser "Connect 4" implementation gib es kein unentschieden. Wenn es dazu kommt, dass das Spielfeld ausgefüllt ist, verliert der Spieler, der keinen Chip mehr spielen kann.
Das Model wird in der create_neural_network
beschrieben und lässt sich dort auch anpassen.
check_fitness
beschreibt die fitness funktion die versucht wird zu maximieren. Um immer auf gewinne auszuziehlen geben diese immer mehr als
verluste, dabei werden schnellere gewinne mehr belohnt (mit theoretischem maximum von ROW_COUNT * COL_COUNT
wenn der erste zug vom gegner auserhalb platziert wird,
praktisch ist dies jedoch ROW_COUNT * COL_COUNT / 7
da dies die minimum Anzahl an Zügen ist). Beim verlieren wird darauf optimiert, so lange herauszuspielen
um zu versuchen durch vollspielen zu gewinnen.
mutate
dient einfach dazu MUTATION_RATE
an den verschiedenen weights anzuwenden.
Mit crossover
kann man mit einer beliebigen Anzahl > 1 an Modelle kombinieren aus denen die Weights zufällig dem Kind zugewiesen werden.
train_neural_network
trainiert die modelle an deren eigenen Spielen um deren zufälligen variationen zu minimieren.
In main
besteht Großteil der Logik zur Generation Verwaltung. Es werden eine population nach deren fitness gegen andere individuen aus der generation
gerankt, woraus die bessere Hälfte in die nächste Generation übertragen werden und die andere Hälfte wird durch Kreuzung zufälliger übertragenen ersetzt.
GAMES_FOR_AVERAGE
beschreibt wie viele Spiele mit einer generation getspielt werden um die durchschnittliche fitness zu bestimmenGENERATIONS
beschreibt wie viele generationen gelaufen werden bis beendet wirdPOPULATION
beschreibt wie viele modelle pro generation erstellt werdenMUTATION_RATE
beschreibt wie wahrscheinlich sich die weights mutieren
Eigentlich soll das Model auch aus Conv2d
layer bestehen, jedoch ist beim einbinden vom tf.keras.layers.Conv2D
in das model
Fehler aufgetaucht, die ich nicht beheben konnte, weshalb es komplett vorerst wegelassen wurde.
Aus irgend einem grund stagniert the durchschnittliche fitness bei 6.0
. Fitness von 6.0
heißt, dass ein Spiel in 7 runden gewonnen wurde.
Somit gehe ich davon aus, dass etwas in der evaluate_best_individuals
falsch implementiert wurde/ein massiver denkfehler passiert ist.
(Ab und zu werdern andere Werte ausgegeben, weshalb ich unsicher bin)