Benutzer-Werkzeuge

Webseiten-Werkzeuge


ss19:exkurs_genetische_algorithmen

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen gezeigt.

Link zu dieser Vergleichsansicht

Beide Seiten der vorigen Revision Vorhergehende Überarbeitung
Nächste Überarbeitung
Vorhergehende Überarbeitung
ss19:exkurs_genetische_algorithmen [2019/08/11 12:52]
feuerhahn
ss19:exkurs_genetische_algorithmen [2019/08/11 15:58] (aktuell)
feuerhahn [Zweites Modell: Bipedal Walker]
Zeile 162: Zeile 162:
 Wichtig ist hier besonders die generelle Standardabweichung vom Mittelwert.\\ Wichtig ist hier besonders die generelle Standardabweichung vom Mittelwert.\\
 Je geringer die Abweichung, desto zuverlässiger ist auch, dass er Algorithmus in allen Durchläufen ca. ähnlich funktioniert.\\ Je geringer die Abweichung, desto zuverlässiger ist auch, dass er Algorithmus in allen Durchläufen ca. ähnlich funktioniert.\\
 +
 +{{:​ss19:​c_users_veve_anaconda3_lib_site-packages_ipykernel_launcher.py_2019-08-11_13-13-33.mp4|}}
  
 ==== Zweites Modell: Bipedal Walker ==== ==== Zweites Modell: Bipedal Walker ====
Zeile 215: Zeile 217:
  
 Diesmal lag der Mittelwert zwar wieder nur im negativen Bereich, jedoch ist das Maximum deutlich angestiegen. Die Maximalen Werte erreichten zumindest zum Ende höhen Richtung 100 reward.\\ Diesmal lag der Mittelwert zwar wieder nur im negativen Bereich, jedoch ist das Maximum deutlich angestiegen. Die Maximalen Werte erreichten zumindest zum Ende höhen Richtung 100 reward.\\
-Da der Algorithmus vielversprechend aussah, habe ich zusätzlich noch einen Zweiten ​Durchlauf gestartet.\\+Da der Algorithmus vielversprechend aussah, habe ich zusätzlich noch einen zweiten ​Durchlauf gestartet.\\
  
 {{:​ss19:​bipe02_1.png?​300|}} ​ {{:​ss19:​bipe02_1.png?​300|}} ​
Zeile 249: Zeile 251:
  **__ Mein sechster Versuch:​__** sigma = 1/(i+10), keep_best = 20, population = 200, Durchläufe = 1, Generationen = 1000, hidden = 16\\  **__ Mein sechster Versuch:​__** sigma = 1/(i+10), keep_best = 20, population = 200, Durchläufe = 1, Generationen = 1000, hidden = 16\\
  
-Bei diesem Versuch habe ich den vorherigen einfach nur um seine Generationen erweitert. Interessant zu beobachten ist, dass der Mittelwert sich der 0 nähert, aber die Maxima immernoch bei 9 stagnieren. Das Bedeutet ​im Umkehrschluss,​ dass nicht die Maxima höher werden, sondern die Minima ansteigen.\\+Bei diesem Versuch habe ich den vorherigen einfach nur um seine Generationen erweitert. Interessant zu beobachten ist, dass der Mittelwert sich der 0 nähert, aber die Maxima immernoch bei 9 stagnieren. Das bedeutet ​im Umkehrschluss,​ dass nicht die Maxima höher werden, sondern die Minima ansteigen.\\
  
 {{:​ss19:​bipe06_1.png?​300|}} {{:​ss19:​bipe06_1.png?​300|}}
Zeile 258: Zeile 260:
  **__ Mein siebter Versuch:​__** sigma = 0.07, keep_best = 18, population = 200, Durchläufe = 3, Generationen = 1000, hidden = 16\\  **__ Mein siebter Versuch:​__** sigma = 0.07, keep_best = 18, population = 200, Durchläufe = 3, Generationen = 1000, hidden = 16\\
  
-Hier greife ich nochmal auf meinen zweiten Versuch zurück und erweitere wieder die Genrationsanzahl.\\ +Hier greife ich nochmal auf meinen zweiten Versuch zurück und erweitere wieder die Generationsanzahl.\\ 
-Wieder sehr vielversprechende Ergebnisse. Zwar komme ich nicht annähernd an die 300 reward, jedoch haben meine Walker die Hälfte davon erreichen können.\\+Wieder ​gab es sehr vielversprechende Ergebnisse. Zwar komme ich nicht annähernd an die 300 reward, jedoch haben meine Walker die Hälfte davon erreichen können.\\
 Leider stagniert sich dieser Wert jedoch auch über die Generationen und mag nicht so recht weiter ansteigen.\\ Leider stagniert sich dieser Wert jedoch auch über die Generationen und mag nicht so recht weiter ansteigen.\\
  
Zeile 268: Zeile 270:
  **__ Mein achter Versuch:​__** sigma = 1/(i+10), keep_best = 20, population = 200, Durchläufe = 1, Generationen = 10000, hidden = 16\\  **__ Mein achter Versuch:​__** sigma = 1/(i+10), keep_best = 20, population = 200, Durchläufe = 1, Generationen = 10000, hidden = 16\\
  
-Da mein Computer nach einem Tag Laufzeit den Algorithmus leider nichtmehr weitergeführt hat, sondern einfach abgebrochen ​ist, habe ich leider keine Aufzeichnungen davon.\\+Da mein Computer nach einem Tag Laufzeit den Algorithmus leider nichtmehr weitergeführt hat, sondern einfach abgebrochen ​hat, habe ich leider keine Aufzeichnungen davon.\\
 Zu sagen ist jedenfalls, dass der Algorithmus einen reward bis 100 erreicht hat und danach auf dem Wert stagnierte. Zu sagen ist jedenfalls, dass der Algorithmus einen reward bis 100 erreicht hat und danach auf dem Wert stagnierte.
  
  **__ Mein neunter Versuch:​__** ​ sigma = 0.07, keep_best = 18, population = 200, Durchläufe = 1, Generationen = 10000, hidden = 16\\  **__ Mein neunter Versuch:​__** ​ sigma = 0.07, keep_best = 18, population = 200, Durchläufe = 1, Generationen = 10000, hidden = 16\\
  
-Auch hier hat mein Computer nach einem Tag Laufzeit den Algorithmus leider nichtmehr weitergeführt , sondern einfach abgebrochen,​ daher habe ich leider keine Aufzeichnungen davon. +Auch hier hat mein Computer nach einem Tag Laufzeit den Algorithmus leider nichtmehr weitergeführt,​ sondern ​ihn einfach abgebrochen,​ daher habe ich leider keine Aufzeichnungen davon. 
-Dieses Modell ist in der Laufzeit zu einem reward von ca 190-200 gekommen und Sicherlich ​noch ausbaufähig.\\+Dieses Modell ist in der Laufzeit zu einem reward von ca 190-200 gekommen und sicherlich ​noch ausbaufähig.\\
 Vermutlich könnte man hier an den Voreinstellungen herumschrauben und somit ein besseres Ergebnis erzielen.\\ Vermutlich könnte man hier an den Voreinstellungen herumschrauben und somit ein besseres Ergebnis erzielen.\\
  
-==== .zip Mit allen Informationen ====+{{:​ss19:​bipedal_walker.gif?​200|}} 
 +(--> draufklicken zum Abspielen) 
 + 
 +==== .zip mit allen Informationen ====
  
 {{:​ss19:​evoalgorithmus_miniprojekt.zip|}} {{:​ss19:​evoalgorithmus_miniprojekt.zip|}}
  
ss19/exkurs_genetische_algorithmen.1565520762.txt.gz · Zuletzt geändert: 2019/08/11 12:52 von feuerhahn