Ebben a korai (1993), de igen összetett programomban azt tűztem ki célul, hogy olyan programot fejlesszek ki amelyben a memóriában és a képernyőn látható szaporodó, mutálódó kétdimenziós programok evolúcióját figyelhessem meg. Ezek valójában olyan kvázipárhuzamosan futó programok százai amelyek a főprogram keretébe vannak ágyazva, annak speciális erre a célra kialakított nyelvét, utasításait használják. Számomra különleges élmény volt ahogy láttam ahogy ezek a lények szaporodnak, mutálódnak és fejlődnek.  Csak DOS-os verzió van, kezelési felületének megírására elég kevés energiát fordítottam ezért a paraéterek állítása kissé nehézkes, de kárpótol a látvány.  Tovább bővebben.

Life2 letöltés itt!

v                Neuron hálózatok „GO” szerű játéka, az optimális játékstratégia autonóm         megtanulása!

A célom az volt, hogy egy olyan programot fejlesszek ki, amelyben egy egyszerű játékot, -jelen esetben „GO” szerű játékot, - játszó neuronhálók maguktól tanuljanak meg játszani és tanulják meg, találják meg az optimális stratégiát a győzelemhez. Ehhez semmilyen külső segítséget nem kapnak. Csak a játékszabályok szerint játszhatnak ez az egyetlen „külső” kényszer. Tovább bővebben.

Ugyanez angolul.

v                Neuron hálózat által vezérelt virtuális robot mozgásának autonóm megtanulása!

A célom az volt, hogy egy olyan programot fejlesszek ki, amelyben egy virtuális robot autonóm módon tanulja meg motoros kimeneteinek vezérlését egy mezőn való bejárás alatt. Ebben a rendszerben a robotot kéféle motiváció vezérli. Az egyik a „táplálékként” szereplő elérendő ponthoz való odajutás. A másik az „érdekesség” mint motivációs tényező. A virtuális robot működése során először azokat a területeket járja be szívesebben ahol még nem járt. Ezek először a külső, szélső területek, majd amikor az érdekességi ráta csökken a belső területek. Végül véletlenszerűen mozog. Ha „táplálékot„ helyezünk be akkor nagyon erős motiváció lép be. A végső stádiumban ha a táplálékot a mező két legtávolabbi átlós pontjára helyezi váltva a program, automatikusan akkor idővel csak a két pont között közlekedik a legrövidebb úton. Ebben a rendszerben a „robot” helyét csak egy piros pötty jelképezi. A neuron hálózatának nyolc kimeneti neuronja van. Mivel az átlókat is beleszámítva nyolc különböző irány közül választhat, a neuronok aktivitásának megfelelően. Ez a megoldás itt számítástechnikailag nyilvánvaló. De ha olyan „robothoz” illesztjük a neuron hálót mint mondjuk egy soklábú, sok izomzatú rovar akkor is megtanul járni. Csak sokkal nehezebb megírni egy rovart, a többi ugyanaz. A rovar megírása számítástechnikailag nem nyilvánvaló, de kétségtelen látványosabb lenne.

Robot1 letöltés itt.

v                Aktuális tevékenységem: Belső hierarhikus evolúcióval müködő robot vezérlő neuron hálózat kifejlesztése.

Az eddigi tapasztalataim alapján mint a „Go” játék, mint a fenti robot vezérlő programom közös jellemzője, hogy benne egyszintű evolúciós rendszer működik. Ebből is adódóan a neuronhálózatok maximális viselkedési állapotai korlátozottak. Ezért nem képes pl. a robot tetszőleges véletlen változó helyekre helyezett „táplálékot” azonnal irányba venni és elérni. Csak néhány változó, de  rendszeresen ismétlődő helyre helyezett táplálék helyét képes megtanulni. Ezt mostani elképzelésem szerint csak a többszintű evolúciós rendszerrel lehet megoldani. A megfelelő biológiai analógia az egysejtű, soksejtű szervezetek. Hiszek abban, hogy az elme működése a bioszférához hasonló. Ahogy van bioszféra úgy van ideoszféra is. A kezdeti négy milliárd évvel ezelőtti bioszféra többé kevésbé megfeleltethető a kis gyermek agyának. Ahogy a biológiai entitások fejlődnek és hierarhiát képeznek, úgy a kezdeti viselkedési és gondolkodási elemek is hierarhiát kell hogy képezzenek a fejlődés során. A faj megfeleltethető egy kialakult viselkedésnek vagy gondolatnak. A faj képződés a bekonvergálatlan viselkedésnek. Az elmében nem kell, hogy legyenek viselkedési elemek nagy pédányai. Az evolúció nem feleltethető meg egy az egyben. Mondjuk egy faj egy génjének alléljeinek szám aránya megfeleltethető a viselkedési változatoknak. A gén mém metafora szerintem használható, csak az a kérdés, hogy sikerül átültetni a gyakorlatba.