diff --git a/core/src/main/java/com/gitee/drinkjava2/frog/brain/Genes.java b/core/src/main/java/com/gitee/drinkjava2/frog/brain/Genes.java new file mode 100644 index 0000000..6bb3d16 --- /dev/null +++ b/core/src/main/java/com/gitee/drinkjava2/frog/brain/Genes.java @@ -0,0 +1,330 @@ +/* + * Copyright 2018 the original author or authors. + * Licensed under the Apache License, Version 2.0 (the "License"); you may not + * use this file except in compliance with the License. You may obtain a copy of + * the License at http://www.apache.org/licenses/LICENSE-2.0 Unless required by + * applicable law or agreed to in writing, software distributed under the + * License is distributed on an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS + * OF ANY KIND, either express or implied. See the License for the specific + * language governing permissions and limitations under the License. + */ +package com.gitee.drinkjava2.frog.brain; + +import com.gitee.drinkjava2.frog.Animal; +import com.gitee.drinkjava2.frog.Env; +import static com.gitee.drinkjava2.frog.Env.BRAIN_SIZE; + +/** + * Genes代表不同的脑细胞参数，对应每个参数，用8叉/4叉/2叉树算法给每个细胞添加细胞参数和行为。 + * 每个脑细胞用一个long来存储，所以目前最多允许64个基因位, + * 多字节参数可以由多个基因位决定。每个基因位都由一个单独的阴阳8/4/2叉树控制，多个基因就组成了一个8/4/2叉树阵列 基因+分裂算法=结构 + * 基因+分裂算法+遗传算法=结构的进化 + * + * 这个类里定义每个基因位的掩码以及对应基因的细胞行为, 脑结构的所有参数，都要用基因来控制。开始时可以有常量、魔数，但以后都放到基因里去自动进化。 + * + * 原则： + * 1.复杂的人脑是由单个细胞通过随机算法和遗传算法进化出来，所以所有算法都只需要针对一个细胞进行编程就可以了。 + * 2.随机的组合如果想要获得唯一的复杂结果，哪么随机的因素必然不能太多，道理很简单，因为如果随机因素太多，那么从概率上就是极小概率事件，也就不可能发生。 + * 3.神经网络即是决定性的，也是无法预测的。当太多细胞组合后，就相当于有无数个三体，所以虽然系统是决定性的，但也是无法预测行为的。但因为随机的因素必然不能太多,所以宏观表现上也有共性，即动物和人的思维表现有相似的现象。 + * + * + * @author Yong Zhu + * @since 10.0 + */ +@SuppressWarnings("all") +public class Genes { // Genes登记所有的基因， 指定每个基因允许分布的空间范围。注意登录完后还要并针对每个基因在active方法里写出它对应的细胞行为 + public static int GENE_MAX = 64; // 目前最多允许64个基因 + + public static int GENE_NUMBERS = 0; // 这里统计定义了多少个基因 + private static int zeros = 0; // 当前基因位掩码0个数 + + public static boolean[] display_gene = new boolean[GENE_MAX]; // 如果这个参数为真，此基因显示在脑图上,此设定不影响逻辑 + public static boolean[] fill_gene = new boolean[GENE_MAX]; // 如果这个参数为真，此基因填充指定的区域，而不是由分裂算法随机生成 + public static String[] name_gene = new String[GENE_MAX]; // 如果这个参数为真，此基因填充指定的区域，而不是由分裂算法随机生成 + + public static int[] xLimit = new int[GENE_MAX]; // 用来手工限定基因分布范围，详见register方法 + public static int[] yLimit = new int[GENE_MAX]; + public static int[] zLimit = new int[GENE_MAX]; + + /** + * Register a gene 依次从底位到高位登记所有的基因掩码及对应的相关参数 + * + * @param maskBits + * how many mask bits 掩码位数，即有几个1 + * @param display + * whether to display the gene on the BrainPicture 是否显示在脑图 + * @param fill + * whether to fill to specified 3D/2D/1D/1Point area + * 是否直接用此基因填充指定的区域，区域可以是三维、二维、线状及一个点 + * @param x_limit + * gene only allow on specified x layer 如x_layer大于-1，且y_layer=-1, + * 表示只生成在指定的x层对应的yz平面上，这时采用4叉树而不是8叉树以提高进化速度 + * @param y_limit + * gene only allow on specified x, y axis + * 如大于-1，表示只生成在指定的x,y坐标对应的z轴上，这时采用2叉阴阳树算法 + * @param z_limit + * gene only allow on specified x, y, z 点上, 表示手工指定基因位于x,y,z坐标点上 + * @return a long wtih mask bits + * 返回基因掩码，高位由maskBits个1组成，低位是若干个0，以后判断一个cell上是否含有这个基因，只需要用cell对应的long和这个 + * 掩码做与运算即可 + */ + public static long register(int maskBits, boolean display, boolean fill, int x_limit, int y_limit, int z_limit) { + + for (int i = GENE_NUMBERS; i < GENE_NUMBERS + maskBits; i++) { + display_gene[i] = display; + fill_gene[i] = fill; + xLimit[i] = x_limit; + yLimit[i] = y_limit; + zLimit[i] = z_limit; + } + + String one = ""; + String zero = ""; + for (int i = 1; i <= maskBits; i++) + one += "1"; + for (int i = 1; i <= GENE_NUMBERS; i++) + zero += "0"; + zeros = GENE_NUMBERS; + GENE_NUMBERS += maskBits; + if (GENE_NUMBERS >= GENE_MAX) {// + System.out.println("目前基因位数不能超过" + GENE_MAX); + System.exit(-1); + } + return Long.parseLong(one + zero, 2); // 将类似"111000"这种字符串转换为长整 + } + + public static long register(int... pos) {// 登记并指定基因允许分布的位置 + return register(1, true, false, pos[0], pos[1], pos[2]); + } + + public static long registerFill(int... pos) {// 登记并手工指定基因填满的位置 + return register(1, true, true, pos[0], pos[1], pos[2]); + } + + private static boolean is(long cell, long geneMask) { // 判断cell是否含某个基因，这个不移位b + return (cell & geneMask) > 0; + } + + private static long b = 1; //以实现is(cell)方法每调用一次b就移位一次的效果，用全局静态变量可以省去方法调用时多传一个参数 + private static int bIndex = 0; //ib从1到64，当前b对应的序号 + + public static void from(int n) {//b从哪一位开始, 第一个序号为0依次类推 + b = 1L << n; + bIndex = n; + } + + public static boolean is_(long cell) { // 判断cell是否含b这个基因掩码，并左移位全局静态变量b一位，用下划线命名表示移位 + checkIndex(); + boolean result = (cell & b) > 0; + b = b << 1; + bIndex++; + return result; + } + + public static boolean is_(long cell, String name) { // 判断cell是否含b这个基因掩码，并左移位全局静态变量b一位，用下划线命名表示移位，第二个参数赋给基因一个名字以方便调试 + name_gene[bIndex] = name; + checkIndex(); + boolean result = (cell & b) > 0; + b = b << 1; + bIndex++; + return result; + } + + public static void checkIndex() {//范围检查，使用的基因位数不能超过登记的位数, 这个方法 + if (bIndex > GENE_NUMBERS) { + System.out.println("bIndex=" + bIndex); + System.out.println(", b=" + Long.toBinaryString(b)); + System.out.println(", GENE_NUMBERS=" + GENE_NUMBERS); + throw new RuntimeException("登记的基因位不够用，要再登记多一点"); + } + } + + private static void is_(Animal a, int z, long c, boolean bl) { // 判断c是否含当前b这个基因掩码且符合条件bl,则左移位全局静态变量b一位且激活当前细胞c + checkIndex(); + if ((c & b) > 0 && bl) + a.setEngZ(z, 1); + b = b << 1; + bIndex++; + } + + private static void is_(Animal a, int z, long c, boolean bl, String name) { + name_gene[bIndex] = name; + checkIndex(); + if ((c & b) > 0 && bl) + a.setEngZ(z, 1); + b = b << 1; + bIndex++; + } + + private static int int_(long cell, int n) { //cell以当前基因掩码b开始，连续取n位成为0~2^n之间的整数返回，并把全局静态变量b左移n位 + int result = 0; + long bb = 1L; + for (int i = 0; i < n; i++) { + checkIndex(); + if ((cell & b) > 0) + result += bb; + bb = bb << 1; + bIndex++; + b = b << 1; + } + return result; + } + + private static final int NA = -1; + // ============开始登记基因========== + + // 登记细胞间关联(触突树突) + static { + register(BRAIN_SIZE + 20, true, false, 0, 0, NA); //先登记一些基因位，分布在x=0, y=0的z轴上， 每个基因位的作用（对应各种细胞类型、行为）后面再说 + } + + private static void init(Animal a) { + {//初始化每个细胞的初始电阻，暂定单个细胞的所有正连线和负连线初始电阻相同 + for (int z = 0; z < Env.BRAIN_SIZE; z++) {//本版本所有细胞都排成一条线，位于 z轴上 + long c = a.cells[0][0][z]; //当前细胞是一个long类型 + from(BRAIN_SIZE); //前6位定义静态正负初始电阻 + float pRes = 0.14f * int_(c, 3); //res 在0~1之间，初始值由随机基因决定的常数位置的值决定 + float nRes = 0.14f * int_(c, 3); //res 在0~1之间 + for (int i = 0; i < Env.BRAIN_SIZE; i++) { + a.posWeight[z][i] = pRes; + a.negWeight[z][i] = nRes; + } + } + } + } + + // ========= active方法在每个主循环都会调用，用来存放细胞的行为，这是个重要方法 =========== + public static void active(Animal a) { + if (Env.step == 0) //假设每个细胞的初始权重各不相同，在第一次调用时先根据基因初始化权重值 + init(a); + + int start = 0; //start是常数数组的起始点，常数与细胞基因无关，不参与空间分布 + float cCellValve = a.consts[start++]; //细胞激活的常量阀值，神经元细胞至少能量多少，才会对激活输出细胞 + float cWeigthLostRate = a.consts[start++]; //权重随时间的遗忘率 + float cActiveLostRate = a.consts[start++]; //活跃度随时间的遗忘率 + float cWeightSweetAddRate = a.consts[start++]; //权重随奖励的增加率 + float cWeightBitterAddRate = a.consts[start++]; //权重随苦味的增加率 + float cEnergyLostRate = a.consts[start++]; //每个细胞能量丢失的速度 + float cSweetBitterWeightEnhenceRate = a.consts[start++]; //甜苦事件权重增加倍率 + + for (int z = 0; z < Env.BRAIN_SIZE; z++) {//本版本所有细胞都排成一条线，位于 z轴上 + long c = a.cells[0][0][z]; + float e = a.getEng(0, 0, z);//当前细胞的能量 + + from(BRAIN_SIZE + 6); //前BRAIN_SIZE个保存是否与其它细胞存在连线，然后6个保存初始化权重常量，这里跳过前这些个 + + //===============然后根据所含的各种乱七八糟基因，实作这个细胞的逻辑 ============== + //哪些情况细胞无中生有产生能量 + //产生能量的来源有active、反相器、感官细胞激活、接收能量这几种原因, + + if (is_(c, "激")) {//如果有active基因, 此细胞始终激活, 也就是说这个细胞自己会产生能量。 + a.setEngZ(z, 1); //is_方法在判断c有无b掩码后，将b左移一位，在使用基因位的同时给它赋一个名字以方便调试，名字不影响逻辑 + e = 1f; + } + + if (is_(c, "反")) {//如果有反相器基因，将能量反相，即实现非门功能 + e = 1f - e; + e = e < 0 ? 0 : e; + e = e > 1f ? 1 : e; + } + + is_(a, z, c, a.seeFoodComing, "近"); //如果看到食物正在靠近，激活此细胞 + is_(a, z, c, a.seeEmptyComing, "白"); //如果看到空白正在靠近，激活此细胞 + is_(a, z, c, a.sweet, "甜"); //如果尝到甜味，激活此脑细胞 + is_(a, z, c, a.bitter, "苦"); //如果尝到苦味，激活此脑细胞 + + if (e < cCellValve) //如果能量达不到阀值就不可能传出能量或引发动作，所以就跳过这个细胞加快速度 + continue; + + //然后根据细胞能量产生输出行为，包括能量输出和对应感官细胞激活后的动作输出 + + if (is_(c, "咬")) {//如果是咬细胞，且处于激活态，咬下 + a.bite = true; + } + + if (is_(c, "停")) {//如果张嘴细胞激活，停止咬 + a.bite = false; + } + + + + boolean sweetEvent = a.sweet; //sweetEvent为true时，将产生激素群发消息 + boolean bitterEvent = a.bitter; + + if (is_(c, "SE")) {//如果激活了且包含sweetEvent基因, 则激活青蛙甜味事件 + sweetEvent = true; //也就是说sweetEvent除了由外界甜信号激活，也可以由大脑活动激活 + } + + if (is_(c, "BE")) {//如果激活了且包含bitterEvent基因, 则激活青蛙苦味事件 + bitterEvent = true; + } + + //TODO 实做激素群发消息事件 + if (is_(c, "响甜")) { //如果一个细胞具有响应甜激素事件基因 + for (int i = 0; i < Env.BRAIN_SIZE; i++) { + a.posWeight[z][i]*=(1+cSweetBitterWeightEnhenceRate)+ a.negActivity[z][i]; + } + } + + if (is_(c, "响苦")) { //如果一个细胞具有响应苦激素事件基因 + for (int i = 0; i < Env.BRAIN_SIZE; i++) { + a.negWeight[z][i]*=cSweetBitterWeightEnhenceRate+a.negActivity[z][i]; + } + } + + //==================下面是细胞之间的能量传输======================= + boolean hasPosLines = is_(c, "正");//当前神经元是否有正权重连线 + boolean hasNegLines = is_(c, "负");//当前神经元是否有负权重连线 + + from(0); //从头开始，处理与相邻BRAIN_SIZE个细胞之间的正权重能量传递 + + for (int i = 0; i < Env.BRAIN_SIZE; i++) { + a.posActivity[z][i] = a.posActivity[z][i] * cActiveLostRate; //活跃度随时间消失 + a.negActivity[z][i] = a.negActivity[z][i] * cActiveLostRate; //活跃度随时间消失 + a.setEngZ(z, e * cEnergyLostRate); //细胞的能量也随时间消失，不能一直激活，一直激活就相当于阻断了新的信号。所以细胞神经网络是脉冲神经网络，所有被激活的细胞,其细胞能量都在慢慢减小 + } + + for (int i = 0; i < Env.BRAIN_SIZE; i++) + if (is_(c)) {//如果包含某线胞的序号，就传送能量给这个细胞 + if (hasPosLines) { //如有正权重线条 + float w = a.posWeight[z][i]; + float p = a.posActivity[z][i]; + float et = e * w; //要传输的能量=细胞能量*连线权重 + if (et > cCellValve) { + a.posActivity[z][i] = (p + et) * 0.5f; //活跃度与最近能量传送相关和本身原有活跃度相关，取平均值。好比有没有吃饱不光和嘴上的食物有关，还和肚子里有多少食物有关 + a.addEng(0, 0, i, et); + } + + if (sweetEvent) { //如果最近尝到甜味，正权重增加 + w = w * (1 + cWeightSweetAddRate * 5); + w = w > 1 ? 1 : w; + a.posWeight[z][i] = w; + } + } + } + + from(0); //从头开始，处理与相邻BRAIN_SIZE个细胞之间的负权重能量传递 + + for (int i = 0; i < Env.BRAIN_SIZE; i++) + if (is_(c)) {//如果包含某线胞的序号，就传送能量给这个细胞 + if (hasNegLines) { //如有负权重线条 + float w = a.negWeight[z][i]; + float p = a.negActivity[z][i]; + float et = e * w; //要传输的能量=细胞能量*连线权重 + if (et > cCellValve) { + a.negActivity[z][i] = (w + et) * 0.5f; //活跃度与最近能量传送相关和本身原有活跃度相关 + a.addEng(0, 0, i, -et); + } + + if (a.bitter) { //如果最近尝到苦味，负权重增加 + w = w * (1 + cWeightBitterAddRate * 5); + w = w > 1 ? 1 : w; + a.negWeight[z][i] = w; + } + } + } + + } + } + +}