Discussion :

[maniaco_jazz]

Bonjour,

Dans le cadre d'un projet d'étude, je développe une ia pour un jeux type wargame (figurine).

J'ai développé une ia basée sur la recherche de la meilleure possibilité selon des poids dans un arbre à n niveaux.

Après cette étape, je dois faire apprendre mon ia afin de l'optimiser. J'utilise ainsi les algorithmes génétiques.
N'ayant pas de connaissance précises en algorithme génétique, je me suis renseigné sur le principe sur le web.
Cependant, j'ai du mal à me représenter concrètement les différents aspects de l'algo : les gènes, les chromosomes, les individus, la population.

Ce n'est pas vraiment un jeu au tour par tour, mais je pense que pour simplifier l'explication on peu le résumé comme cela.
En réalité c'est un jeu basé sur "l'initiative" : je joueur possède l'initiative tant qu'il ne rate pas une action. Lorsqu'il rate une action, l'initiative va à l'autre joueur et ainsi de suite (si quelqu'un connait ce type de jeu ).

J'ai 3 actions :
- bouger : d'un élément de terrain à l'autre, selon ce qu'on voit dans notre champ de vision
- tirer : sur une cible qu'on voit évidemment
- rallier : si une unité est "blessée"

Ainsi j'aimerai avoir votre avis sur ce qu'est le gène, le chromosome, l'individu et la population dans le déroulement du jeu.
Selon moi l'individu correspond à une partie, et la population à un ensemble de parties.
Cependant, pour ce qui est des gènes et des chromosomes, j'avoue ne pas réussir à savoir à quoi ils correspondent par rapport à mes actions.

Merci de votre aide

[borisd]

Bonjour,
je pense qu'il faudrait tout d'abord déterminer un ensemble de paramètres (correspondant aux gènes) qui déterminerait le comportement d'un joueur. Un individu correspondrait alors à un comportement de joueur possible, et la population à un ensemble de comportement possible.
Cela dépend beaucoup des règles du jeu, mais les paramètres pourraient être :
- probabilité de tirer selon la distance d'un ennemi
- nombre d'alliés minimum à proximité pour attaquer une cible...

[Matthieu Brucher]

Exactement, les gènes vont correspondre à ces comportements, mais ensuite il faudra créer une fonction de mélange acceptable.

[maniaco_jazz]

Ok je comprends mieux. Je ne l'avais pas vu comme cela.

En effet, dans mon algo de décision, j'utilise des "poids" sur différents aspects (vue de la cible, présence alliée, rapprochement de la cible, etc).

Pour créer la population de départ, je vais donc me faire plusieurs individus avec des poids qui différent.
Par contre, étant donné que je dois avoir une dizaine de poids, cela va me faire beaucoup de monde !

Quel est le meilleur compromis pour le nombre de génération (pour commencer j'entends) ? Parce qu'il va falloir que je fasse jouer mes individus entre eux, et ca va prendre du temps ! lol
Ainsi, j'aimerai bien tester par exemple sur 1 journée (24h) dans un premier temps et ensuite, en fonction des résultats obtenus, essayer de faire tourner plus longtemps (1 semaine pourquoi pas).
Mais peut-être que ce n'est pas comme cela qu'il faille raisonner dans l'apprentissage.

Merci en tout cas pour ces informations !

[Matthieu Brucher]

Il faut y aller à tâton, il n'y a pas de règle fixe, le plus important est que ta fonction de mélange soit efficace et génère des enfants corrects et valides, naturellement ta fonction de calcul du coût doit aussi l'être.

[borisd]

Si les paramètres sont trop nombreux pour pouvoir commencer avec un échantillon suffisament diversifié, je pense qu'on peut compenser par une probabilité de mutation plus grande, mais comme le dit Miles, il faut y aller à taton.
Selon les cas, la convergence du processus vers une "bonne" solution peut nécéssiter de nombreuses itérations (cela dépend du nombre de paramètres, de l'efficacité de la sélection et du croisement...). Attention donc si tu laisses une journée entière pour une itération, tu risques de ne pas t'en sortir...