如何使用神经网络解决"软"解决方案？

我正在考虑使用神经网络为我正在建造的太空射击游戏中的敌人提供动力,我在想; 当网络没有一个明确好的输出集时,你如何训练神经网络？

我目前正在研究神经网络,如果没有明确定义的输入和输出编码,它们似乎毫无用处,而且它们根本不能扩展到复杂性(参见http://en.wikipedia.org/wiki/VC_dimension).这就是为什么神经网络研究自20-30年前最初的炒作以来应用如此之少,而基于语义/状态的AI因其在现实世界应用中的成功而占据了每个人的利益.

一个如此开始的好地方可能是弄清楚如何用数字表示游戏状态作为神经网络的输入.

接下来的事情是弄清楚哪种输出与游戏中的动作相对应.

想想要使用的神经网络的结构.为了从神经网络中获得有趣的复杂行为,网络几乎必须经常出现.你需要一个经常性的网络,因为它们有"记忆",但除此之外,你没有太多其他的东西可以继续.但是,具有任何复杂结构的循环网络实际上很难训练.

神经网络成功的领域往往是分类(图像,音频,语法等),统计预测成功有限(我们期望在这个词之后会出现什么词,明天的股票价格是多少？)

简而言之,对于游戏的一小部分而言,使用神经网络而不是作为核心敌人AI可能更好.