Metal Gear

После изучения описанных выше методов оптимизации мы должны разобраться в том, как эти методы могут применяться для обучения персептронов, в частности, для определения таких значений весовых коэффициентов, которые позволяют получить требуемые результаты. При решении указанной задачи каждый раз приходится искать другой подход. С теоретической точки зрения, нам даны конкретные входные значения х(к) и требуется получить соответствующие им намеченные выходные значения у (к) = t; в этом состоит формулировка задачи оптимизации.
В компьютерных играх для получения требуемых выходных данных может применяться много разных способов. Процедура получения требуемых результатов может быть спроектирована экспертом (обучение), смоделирована на основе изучения поведения человека (имитация), вычислена с помощью другого компонента системы ИИ (автоматизированное обучение) или основана на ранее полученных результатах (накопление опыта). Процесс формирования желаемой реакции рассматривается более подробно в главе 35, "Проектирование обучающихся средств ИИ".
Оптимизация работы персептронов, как и решение других задач оптимизации, представляет собой процесс выбора наиболее оправданных предположений. В случае персептрона требуется найти наиболее подходящее множество весовых коэффициентов, а сами весовые коэффициенты применяются для вычисления выходного значения персептрона. Сравнивая фактическое выходное значение с желаемым выходным значением, мы можем определить величину рассогласования. После этого в условиях применения данной конкретной сети вычисляется новая оценка значений весовых коэффициентов, которая приводит к получению меньшего рассогласования. Корректировка значений весовых коэффициентов осуществляется с помощью дельта-правила.