Este proyecto es una implementación del clásico juego Flappy Bird donde los agentes aprenden a jugar a través de algoritmos genéticos y redes neuronales. En lugar de programar explícitamente la lógica de juego, este proyecto permite que los agentes evolucionen naturalmente a través de generaciones, aprendiendo a navegar entre obstáculos de manera cada vez más eficiente.
El diagrama muestra cómo el agente utiliza cinco sensores para detectar obstáculos a su alrededor. Estos sensores proporcionan información a la red neuronal del agente, que procesa los datos para tomar decisiones sobre cuándo saltar.
- Algoritmos Genéticos: Evolución natural de agentes mediante selección, cruce y mutación.
- Redes Neuronales: Toma de decisiones basada en redes neuronales que mejoran con cada generación.
- Sensores Virtuales: Los agentes detectan obstáculos mediante sensores en diferentes direcciones.
- Simulación Visual: Visualización en tiempo real de la evolución de los agentes.
- Métrica de Fitness: Sistema de evaluación que recompensa supervivencia y posicionamiento estratégico.
- Python: Lenguaje principal de programación.
- Turtle: Biblioteca para visualización gráfica.
- NumPy: Manipulación de matrices y operaciones matemáticas.
- Programación Orientada a Objetos: Arquitectura basada en clases y objetos.
Clona este repositorio:
git clone https://github.com/frantorres14/Flappy-Bird-Agent-Trained-Through-Genetic-Algorithms.git
cd FlappyGeneticAgents
Instala las dependencias:
Ejecuta el programa principal:
python Main.py
Cada agente (pájaro) utiliza:
- Una red neuronal para tomar decisiones de salto.
- Sensores que detectan obstáculos en 5 direcciones diferentes.
- Un valor de fitness que mide su desempeño.
- Inicialización: Se crea una población inicial con genes aleatorios.
- Simulación: Los agentes juegan hasta que mueren o se alcanza un límite de tiempo.
- Selección: Los agentes con mejor desempeño tienen más probabilidad de ser seleccionados.
- Cruce: Los genes de los agentes seleccionados se combinan para crear nuevos agentes.
- Mutación: Pequeñas alteraciones aleatorias en los genes para mantener diversidad.
- Repetición: El proceso se repite por múltiples generaciones.
Los agentes acumulan fitness por:
- Sobrevivir cada frame (+1 punto).
- Mantenerse cerca del centro de la pantalla (hasta +0.1 puntos por frame).
La simulación es completamente automática.
La ventana muestra:
- Agentes actuales (pájaros).
- Obstáculos (tubos).
- Número de generación.
main.py: Punto de entrada y coordinación del programa.mimulation.py: Lógica de la simulación y visualización.agente.py: Implementación de los agentes (pájaros).redneuronal.py: Implementación de la red neuronal.geneticalgo.py: Implementación del algoritmo genético.obstaculos.py: Definición de los obstáculos (tubos).
Arquitectura de 3 capas:
- Capa de entrada: 5 neuronas (sensores).
- Capa oculta: 2 neuronas.
- Capa de salida: 1 neurona (decisión de saltar).
Cada agente tiene 60 genes binarios que codifican los pesos de la red neuronal.
Estos parámetros se pueden cambiar en el archivo main.py
- Población: 40 agentes. (Se recomiendan más de 10)
- Generaciones: 100. (Se recomiendan más de 10) Estos parámetros se pueden cambiar en el archivo geneticalgo.py
- Método de selección: Torneo. (Se puede cambiar por ruleta)
- Método de cruce: Dos puntos. (Se puede cambiar por un punto)
- Probabilidad de mutación: 0.01.
Este proyecto está licenciado bajo la Licencia MIT - ver el archivo LICENSE para más detalles.
Francisco Torres, AI developer - @frantorres14
¡Si te gusta el proyecto, no olvides dejar una estrella en GitHub! También puedes seguirme en mis redes para tutoriales y videos sobre IA TikTok: @frantorresia YT: @frantorresia