AI学会玩贪吃蛇！

神经网络学习在终端中玩贪吃蛇

该项目使用Rust和Ratatui从零开始构建

查看这里可以了解使用macroquad作为GUI的AI的旧版本

使用方法

• 克隆仓库

git clone git@github.com:bones-ai/rust-snake-ai-ratatui.git
cd rust-snake-ai-ratatui

• 运行模拟

cargo run --release

配置

• 项目配置文件位于src/configs.rs
• 更新IS_LOW_DETAIL_MODE以获得简化的UI，运行速度更快
• 设置IS_SAVE_BEST_NET以训练自己的网络。网络保存在data/net.json中，保存后可以通过设置IS_LOAD_SAVED_NET来使用训练好的网络
• 使用data/net-100.json可以观看AI在15x15的棋盘大小上完成游戏
• 将USE_GAME_CANVAS设置为true，并根据需要更新VIZ_GAME_SCALE来缩放游戏

资源

以下是一些学习遗传算法的优秀资源：

• 视频系列：The Coding Train的遗传算法
• 书籍：Daniel Shiffman的自然代码，适合喜欢阅读的人
• 强烈推荐查看Joshka的分支，以了解更地道的Rust代码

算法

1. 初始化：
   • 模拟从"第0代"开始
   • 创建一个新的蛇群体，每条蛇都有一个初始化为随机权重和偏差的神经网络
2. 游戏更新：
   • 每一步，通过将视觉输入传递给神经网络来更新每个游戏，以决定蛇的行动
   • 以下情况游戏被标记为完成：
     • 蛇撞到墙壁或自身
     • 蛇在一定步数内未能吃到食物，防止无限循环
3. 世代完成：
   • 世代继续更新每个游戏，直到所有游戏完成
4. 适应度评估：
   • 每个世代结束时，根据蛇的表现进行排名
5. 父代选择：
   • 根据排名选择下一代的父代。排名较高的蛇被选为父代的概率更高
6. 繁殖：
   • 使用轮盘赌选择、精英主义等技术为下一代产生子代
7. 新世代：
   • 创建新的群体，从步骤2重复这个过程，直到模拟被手动停止

这个迭代过程使蛇逐步调整策略，最终导致蛇的长度随时间增加

其他

• 我主要在Twitter - @BonesaiDev上发布我的项目
• 蛇完成游戏的视频
• 在GitHub上查看我的其他项目https://github.com/bones-ai