我最近才问这个问题，得出的结论似乎是，尚未真正使用基因编程（GP）进行程序游戏内容创建。我想改变那个。

我相当确定可以部署GP来帮助查找新的地形生成器。我要解决的问题是如何实现？

所有GP都有一些可以归纳为所有GP的基本部分（父母选择，重组，突变，存活）。我可以自己解决这些问题。问题出现在特定问题部分。这些就是您在代码中表示问题的方式（通常使用一棵树），以及如何评估生成器的性能（可以是一个或多个值）。

简而言之，这些问题是：

• 您将如何以可以解析为树的方式表示地形生成器？
  

• 这将产生什么样的地形？（高度图，顶点图...）
  

  基于hightmap的信息越少越好。
  

• 用什么来评估解决方案的适用性？
  

  例如：我们想要有趣的地形，因此我们可以让其中一个值为地形上每个顶点的法线平均变化。

使用类似于卡尔·西姆斯（Karl Sims）的遗传图像的方法可能会有些运气。

他使用一组类似于LISP的语言的简单运算符，以便可以使用任何运算符的输出来影响图像，这与某些着色器语言类似（例如，标量将是灰度值，a vector3将是RGB等）。 ）。

尽管我猜这是实现的东西，所以您可能想要的是他的关键字，该关键字（iirc）包含所有基本知识：

• 触发函数（sin, cos, tan等）。
• 位置（x, y）
• 基本数学运算符（sqrt, pow, abs, inverse）
• 噪音功能（fBm, noise2, noise3）
• 其他分形（mandelbrot, julia）
• 插值功能（lerp, quad, step, smoothstep）

（以上某些内容可能未在他的实现中实现；我很久以前就发现了他的工作，并且多年来实际上已经对您所描述的内容进行了一些尝试，因此回忆可能会泄漏：）

保持趣味性（快速）

我对多层方法有一点运气，这种方法极大地减少了死角演化的数量。

1. 为每个运算符生成一组范围（或从前一轮进行了变异）
   • 理想情况下，这些值会将每个函数的值保持在“合理”的范围内，但可以演变为产生令人惊讶的有用结果的范围，这似乎是“正确”的事情
2. 生成一些算法树
   • 为每一个在随机位置生成一些高度图并评估适合度
   • 如果我们有很多很好的匹配项，那么请稍微扩展该分支，以稍微干扰每个孩子从第1步开始的范围
   • 否则，我们的量程可能很差，请回到步骤1

然而...

现在，我方便地跳过了适应度算法，我主要使用Karl Sims的“非自然选择”方法，在该方法中，您可以看到一堆后代的中间方框中的当前一代（在今天，Kai的Power Tools对其进行了流行-这是我的意思的图片）。

但是，您可能会拥有一组训练图像，可能是来自卫星图像的一些训练图像，还有一些具有特定质量的人造图像，然后可能会对它们与要测试的地形进行小波或2D FFT分析？

这是一个有趣的话题，但我怀疑您需要什么答案:)

编辑：啊。因为我是新用户，所以不得不删除一堆链接：-|

我不确定您是否可以回答这个问题，但是我对为什么可能是一个有用的答案有一个解释。因此，简而言之，答案：

• 您将需要选择一个地形生成，其中某些方面可以仅基于数据值。这并非难事，但确实需要您选择地形生成。由于我正在工作的区域是体素生成区域，因此采样率，隧道通过，高程等都可以放入数据中并“演变”。
• 与第一部分密切相关。只要您可以设置生成的不同属性，那么生成的形式实际上并不重要。这个选择应该与您要制作的游戏类型有关。
• 这是它分解的地方。除了一个人实际观察世界并走向“哦，太好了”之外，我想不出一种方法来衡量这一点。但这消除了计算机进行自己的自我迭代的能力。这也意味着您将要使用这种形式的生成最终创建一个单一的世界，寻找“最佳”一个世界，而不是每次都寻找一个随机世界。

遗传算法通常用于解决已知问题，您可以通过规则定义环境。然后，您可以创建代表不同属性的数据集，这些属性会影响事物对规则的反应。然后，计算机使用初始数据集进行“回合”，选择前X个数字，将它们配对在一起后混合它们的值，然后再进行回合。一个常见的示例是“繁殖更好的巨魔”（进行育种找到一套巨魔在其环境中通常表现出色的价值观（能够狩猎和进食，杀死或远离村民，可以收集战利品并积聚其想要的所有闪亮物体，等等）。

我只是不确定您要完成的工作是否适用于地形生成领域。我唯一能想到的就是游戏内容评估，您不想规划一个世界，但想要使AI路径可以很好地计算出来。即使这样，您仍在寻找一个或至少一个有限的世界。

这将产生什么样的地形？（高度图，顶点图...）

绝对是顶点图（网格），在存储上是紧凑的，并且可以根据需要进行栅格化（镶嵌）。

您将如何以可以解析为树的方式表示地形生成器？

细胞自动机。我可以想到两个实现：

1. 规则集自动机，可能带有有限自动机的元素（当考虑当前状态（如尝试计数器或空闲时间）时）。

   • 每个节点都以随机状态初始化
   • 每个节点都附加有一个求解器实例
   • 每个求解器都会继续计算下一个状态，直到用完规则或达到理想状态为止（我在这里完成了）
   • 首先计算所有下一个状态，然后在下一次计算开始之前一次全部应用，因此计算顺序无关紧要

规则集本身可以表示为分支决策树或简单的命令批处理（不确定是否可以使用）

这只是每个节点的一个规则集

2. 世界建设者。可以为每个节点创建一堆并允许它们导航网格，而不是为每个节点应用求解器。

   • 每个构建器都有自己的规则集
   • 防止它们进入另一个构建器占用的节点
   • 每个构建器都可以表示为树的一个分支
   • 在发展过程中，建设者可能会重复

不过，我仍然担心第二种方法需要第一种方法的支持：初始随机性需要平滑，而且我不确定建造者是否可以做到这一点。毕竟，每个活细胞确实都有线粒体。

用什么来评估解决方案的适用性？

最终地形的完整性-它看起来不应该像泥泞的土豆泥。多样性-通常我们希望尽可能多地表示可用的变化（从一个边缘到另一个边缘的平坦荒地很无趣）。也许更复杂的东西，例如相邻节点之间如何相互适应（沙漠中央的苔原，是什么？）

如果有空闲时间，可以用网格生成器为自己尝试一下