1. On ne verra plus de béhémoths comme ci-dessus parce que maintenant l'énergie dépensée pour se déplacer est calculée sur le modèle de l'énergie cinétique (E = 1/2 * m * v²) et donc diminue très vite quand on grossit trop.
   
2. On peut appuyer sur la touche “V” pour voir les lignes de vision des créatures : celles-ci sont en jaune-orange si elles ne captent rien, en rouge si elles captent de la nourriture et en noir si elles captent un bord (par contre elles utilisent les données d'avant le déplacement, donc il y a un décalage d'un tick entre le calcul de la ligne et son affichage. C'est pas gênant gênant mais faut le savoir pour ne pas croire que la créature a une vision qui ne correspond pas à la réalité).
   

• Concernant le rôle des neurones hidden / cachés :
  
  Le mieux je pense est de faire un peu d'histoire : en 1957, Frank Rosenblatt inventa le concept de perceptron, qui revient en gros à des neurones d'entrées reliés à des neurones de sortie (avec les fonctions de sommation et d'activation correspondantes). C'était le début des réseaux de neurones artificiels et ça a fait pas mal de bruit chez les chercheurs en intelligence artificielle. Le souci, c'est qu'en 1969 Marvin Minsky et Seymour Papert ont prouvé que les perceptrons ne seraient jamais capable d'apprendre la fonction XOR (OU exclusif (*) ). Ça a mis une sacrée claque aux réseaux de neurones et la recherche a failli s'arrêter là.
  Sauf qu'en 1972, Stephen Grossberg a eu l'idée géniale d'intercaler d'autres neurones entre les entrées (inputs) et les sorties (outputs), et là, miracle, on pouvait approcher beaucoup plus de fonctions, dont notamment XOR (*).
  
  Avant d'aller plus loin, expliquons de quoi on parle :
  (*) XOR : aussi appelée OU exclusif en français. C'est une fonction logique, qui a deux entrées associe VRAI si UNE SEULE d'entre elles est vraie et FAUX dans tous les autres cas. Dans l'encodage binaire où 0 = FAUX et 1 = VRAI, on a :
  XOR(0, 0) = 0 XOR(1, 0) = 1
  XOR(0, 1) = 1 XOR(1, 1) = 0
  
  Sans vouloir rentrer trop dans les détails, on va tenter une approche graphique. Voici les représentations dans le plan des fonctions OR, AND et XOR :
  
  Les droites dans les 2 premiers cas représentent un endroit du plan où couper permet de donner les bons résultats : ce qui est en-dessous est faux, ce qui est au-dessus est vrai. Le cas XOR montre bien qu'une droite (où même une courbe qui ne passerait jamais par deux points d'ordonnées différentes avec une abscisse égale, à savoir la représentation d'une fonction au sens mathématique) ne permet pas de faire ce découpage du plan.
  En effet, les perceptrons (ou réseaux de neurones à simple couche) ne permette pas d'approcher autre chose que ce qui est “découpable” par une courbe dans le plan. Rajouter des neurones cachés, et donc avoir un réseau de neurones à couches multiples, permet de passer outre cette limitation et donc ouvre un bien plus vaste domaine.
  
  Tout ça pour en venir à cette réponse : l'intérêt des neurones cachés est d'élargir le champ des possibilités des réseaux de neurones.
  
  
• Concernant l'aspect “banque”, j'ai pris le parti de penser que tu voyais ça comme une forme de “mémoire” (n'hésite pas à me le dire si j'ai tout faux, et dans ce cas, si tu précises ta pensée, je pourrais mieux te répondre). Si c'est bien ce que tu voulais dire, alors non, ça n'est pas du tout le cas : leurs valeurs sont recalculées à chaque fois que les entrées changent et ne dépendent pas de l'état précédent.
  Il est par contre possible d'avoir un “effet mémoire” avec ce qu'on appelle des réseaux récurrents : à savoir que certains neurones utilisent en entrée ce qu'une ou plusieurs sorties avait envoyé lors du calcul précédent. J'utilise d'ailleurs ça dans mon modèle actuel : une entrée est spécialement relié à une sortie spécifique et utilise les résultats du tick précédent de cette sortie.
  
  
• Maintenant, concernant les poids : les nombres que j'ai donnés dans mes exemples viennent de ma tête, au hasard, et n'ont aucune valeur. En fait, les valeurs des poids sont la chose la plus importante d'un réseau de neurones : c'est ce qui va lui permettre de faire bien ou mal son travail. Le souci, c'est que trouver ces valeurs de poids est très compliqué et dépend complètement de la tâche que le réseau devra accomplir.
  Il existe en gros 2 méthodes principales pour trouver les poids d'un réseau afin qu'il réalise une tâche donnée :
  1 : la rétropropagation (backpropagation) : il faut connaître des résultats de ce qu'on veut faire faire au réseau. On lui donne alors les entrées correspondantes et on regarde de combien il se trompe par rapport aux résultats attendus. On effectue ensuite une correction des poids en fonction de cette erreur pour qu'à l'avenir il se trompe moins. Puis on recommence, en général quelques milliers de fois. L'algorithme pour corriger les poids est très compliqué à expliquer, donc je te conseille de chercher des exemples illustrés sur le net.
  2 : par algorithme génétique : c'est ce que je fais ici. J'ai défini la structure de mon réseau, mais je n'en connais pas les poids. Donc je fixe des poids au hasard, puis je regarde s'il se comporte bien ou pas. Je fais ça avec un certain nombre d'autres jeux de poids tirés au hasard, puis je choisis les meilleurs jeux pour se “reproduire” et recommencer avec les nouveaux poids que cette reproduction m'aura donnée. C'est tout ce que fait mon projet.
  

SBissay wrote:

2 petites nouveautés :

1. On ne verra plus de béhémoths comme ci-dessus parce que maintenant l'énergie dépensée pour se déplacer est calculée sur le modèle de l'énergie cinétique (E = 1/2 * m * v²) et donc diminue très vite quand on grossit trop.
   
2. On peut appuyer sur la touche “V” pour voir les lignes de vision des créatures : celles-ci sont en jaune-orange si elles ne captent rien, en rouge si elles captent de la nourriture et en noir si elles captent un bord (par contre elles utilisent les données d'avant le déplacement, donc il y a un décalage d'un tick entre le calcul de la ligne et son affichage. C'est pas gênant gênant mais faut le savoir pour ne pas croire que la créature a une vision qui ne correspond pas à la réalité).
   

el15617 wrote:

dis dis dis ^^ esque ça pourrait changer leur comportement genre pas mal ? pasque si tu considères que les frottements sont pas trop forts, c'est plus économe pour les bestioles de se déplacer en ligne droite et loin plutôt que de tourner dans tous les sens et perdre leur inertie….

Extremguy wrote:

Oui je pensais cela a propos de l'aspect banque , je pensais en effet que ca servait d'une forme de mémoire. Alors si je comprend bien les neurones sont commes des conditions qui servent a renvoyer des valeurs de sorties ?

Aussi ca ne te derangerais pas si j'essayerais de faire un projet un peu similaire au tient ptetre un jour ? Ce n'est pas pour te copier , c'est pour voir si j'ai bien comprit au pire je le partagerais pas.

SBissay wrote:

el15617 wrote:

dis dis dis ^^ esque ça pourrait changer leur comportement genre pas mal ? pasque si tu considères que les frottements sont pas trop forts, c'est plus économe pour les bestioles de se déplacer en ligne droite et loin plutôt que de tourner dans tous les sens et perdre leur inertie….

Ça aurait pu si jamais j'avais vraiment implémenté les concepts d'énergie potentielle, cinétique et d'inertie… Et ce serait méga chouette d'ailleurs !

Non, en fait j'ai juste changé la valeur de l'énergie qu'ils dépensent pour bouger, mais il n'y a pas encore de “vraie” physique, ça pourrait venir ceci dit, c'est une chouette idée.

si <Vous m'expliquer> alors 

  Je comprends

sinon
Je ne comprends pas
end

shirsag wrote:

si <Vous m'expliquer> alors 

  Je comprends

sinon
Je ne comprends pas
end

SBissay wrote:

Vieux vieux… Merci, hein

1. Comme tu l'as dit, il est possible qu'il y ait trop de nourriture. C'est facile à modifier, je vais tester ça.
   
2. 30 générations c'est très peu. En théorie de la spéciation, les vitesses les plus rapides pour des cas de modifications d'espèces se comptent en milliers de générations. Dans le cas général, ce sont des centaines de milliers. Alors certes j'ai fait en sorte que ce soit un peu plus rapide, mais je te conseille d'appuyer sur la touche “F”, ce qui va geler l'affichage mais faire tourner la simulation beaucoup plus vite. Après 100 ou 200 générations, on voit déjà des comportements bien plus évolués. (Rappuyer sur “F” pour voir à nouveau ce qui se passe.)
   
3. La population est très petite, et la diversité génétique tend à disparaître assez vite, à cause de la vitesse rapide de convergence voulue (c'était un choix…). Ceci dit, je me demande si intégrer ne serait-ce qu'un individu totalement aléatoire à chaque génération ne pourrait pas contrer un tant soit peu cet effet pervers. A tester.
   
4. Les créatures tendent à être moins “bêtes” si leur environnement est compliqué. Rajouter des obstacle aide (un peu). Idéalement, il faudrait que j'intègre un outil de génération de terrain, plutôt que de devoir tout rentrer à la main à chaque fois.
   
5. J'en oublie certainement…