Neural network 神经网络真的能学习吗？

我正在2D中创建一个进化人工生命模拟游戏（纯粹为了好玩）。它结合了神经网络（用于行为控制）和遗传算法（用于育种和突变）

输入时，我给他们最近食物的X，Y位置（标准化）和“注视”向量的X，Y位置

目前，它们四处飞行，当它们与食物发生碰撞时（我们称之为“吃苹果”），它们的健康指数增加1，苹果的位置是随机的——2000转后，GA会中断并发挥其魔力。
经过大约100代，他们知道吃苹果是好的，并试图飞到最近的苹果

---

但作为一名神经网络新手，我的问题是——如果我创造了一个苹果产卵频率比地图上其他地方都高的房间，他们会学习并理解吗？他们会经常飞往那个房间吗？有没有可能告诉他们需要多少代人才能学会呢？

他们能学会什么，学习的速度有多快，这在很大程度上取决于你给他们提供的信息。例如，如果他们没有办法知道他们在食物产生频率更高的房间里，那么他们就没有办法进化到更高的频率

你的问题并不完全清楚“注视”向量是什么。例如，如果它向他们展示了眼前的东西，那么这可能就足够让他们知道自己身处富足的房间，特别是如果这个房间“看起来”与众不同的话。给它们一个更有用的输入可能是它们当前的X和Y坐标。如果你这样做了，那么我肯定会期望他们更频繁地进入好房间（当然，这与房间的质量成正比），因为他们有可能采取行动去那个房间并呆在里面

---

至于需要多少代人，这是难以置信的难以预测（尤其是在不了解更多关于您的设置的情况下）。如果他们花了100代人的时间才学会吃东西，那么我预计会有数百代人。但是最好的办法就是试试看。

如果都是关于位置的，他们可能会记住地图的状态，简单的统计数据会让他们知道食物可能在哪里。神经网络在这方面是一种过度使用

如果存在其他位置特征（例如颜色、气味、高度等），则将这些特征映射到标签（食品存在与否）对神经网络有好处。特别是当某些功能目前不可用或不可靠时

---

如果他们需要很多决定才能达到目标，你需要强化学习。例如，它们可能会朝着一个暂时有益的方向发展，但会让它们远离以后需要的资源。

我相信，递归神经网络可以学习期望苹果在某个区域产卵

从理论上讲——是的，但这实际上取决于你如何“允许”他们学习。“看”矢量是方向向量（标准化），但我在路上实现他们的“眼睛”，这样他们就可以学会识别前面的东西。我想我应该给他们坐标作为整个地图大小的比例？啊，好的。这对他们来说可能足够，也可能不够。如果你要给他们坐标，最简单的方法可能是用你给的单位给他们最近食物的坐标。好的，谢谢-我明白了。颜色和气味的想法真的很酷，我以前没想过这个（我只想到颜色和食物的颜色）。