[技术]使用人工智能玩微信跳一跳

周六玩跳一跳小游戏，人工模式下只能到三十来分，玩了一会儿颇感气馁，决定挑战一下自我，写了一个人工智能程序来玩跳一跳。

一、人工智能-人工神经网络

人工神经网络目前是AI的主流发展方向之一，是模拟生物神经网络的突触联接的结构进行信息处理的数学模型。

生物科学家认为：神经元的基本功能是通过接受、整合、传导和输出信息实现信息交换。通过树突与其他神经元连接，通过突触来传递数据。

以下是人工神经网络的历史

1943年，基于生物神经网络莫克罗-彼特氏神经模型（McCulloch－Pitts′neuronmodel）诞生。

McCulloch-Pitts模型的基本思想是抽象和简化生物神经元的特征性成分。这个模型不需要捕捉神经元的所有属性和行为，但要足以捕获它执行计算的方式。McCulloch-Pitts模型的6个特点中前面4点和之前总结的生物神经元一致，具体对应请见下图：

1.每个神经元都是一个多输入单输出的信息处理单元；2.神经元输入分兴奋性输入和抑制性输入两种类型；3.神经元具有空间整合特性和阈值特性；4.神经元输入与输出间有固定的时滞，主要取决于突触延搁；5.忽略时间整合作用和不应期；6.神经元本身是非时变的，即其突触时延和突触强度均为常数。

作者：HiAR链接：https://www.jianshu.com/p/078bba15fdb0來源：简书

似乎上图就是人工神经网络的鼻祖了，是的，它比计算机行业还要古老。

从上述模型中可以依稀看到生物神经网络的原理：某个神经元，接收到不同突触传来的信号，将信号进行加工，最终转换为输出。

80年代，各方研究室都在研究如何制造人工神经网络，1986年出版了《Learning representations by back-propagating errors》，将BP算法运用在神经网络上，自此之后BP神经网络开始大行其道，直至今日，采用了BP算法的前馈式神经网络成为了运用最广泛的人工神经网络。

人工神经网络

人工神经网络是模拟生物神经网络的数学模型，最早的时候只有一些数学家在模拟，近来由于学术界与工业界的互相渗透，人工神经网络的使用场景也越来越丰富，现在已有遍地皆是之感。

以上就是人工神经网络的核心部分：一个输入层，一到多个隐含层，一个输出层，输入层与隐含层的连接有各自的权重，隐含层的每一个节点都有其激活函数，隐含层与输出层之间也有其连接权重。

常见的情况是：

1、初始化一批训练数据，包含【输入值，期望输出】

2、将输入值输入“输入层”

3、输入层根据连接权重将输入值分解到各“隐含层”节点

4、隐含层节点接受到各个输入层传递来的数据，通过激活函数，计算输出

5、将输出根据权重输出到“输出层”

6、输出层汇总输出

其中关键的地方在于“激活函数”+“连接权重”。

激活函数是一种特殊的函数，具有如下的性质：y越接近0.5，其导数越大，y越接近0或者1，其导数越小。图形如下：

左侧的即为：Sigmoid激活函数，算法是：σ(x)