本章对v2.0进行第三轮测试训练，此前一测为2019年5月，二测为2019年12月，本轮改进主要是在上轮二测后，改进了以下几个方面:
反向反馈类比，更快更全面的抽象。
以及决策期对网络更全面的使用（主要是SP方面）。
对短时记忆更全面的支持。
以及对外循环更好的支持完善。
所以本次三测，或有望成为发布v2.0前的最后一轮测试，且在上轮二测中已经基本测通了认知期的代码，以及测了大多数决策期的代码。
CreateTime 2020.06.06
20011
训练步骤细节分析版:
STATUS
A
果可吃
T
1. 直投,飞右上,直投 T
B
远果不能吃
T
1. 重启,远投右,饿 T
2. 重进成长页,远投右 T
C
学飞
1. 重启,远投右,飞右
D
用飞
重启,远投上,马上饿
20012完成标记
A组: 果可吃
直投,飞右上,直投
//类比出无经纬果可吃;
//1. 正向类比-抽象时序
STEPKEY -- -- -- -- -- -- -- -- -- -- -- -- 正向反馈类比 START -- -- -- -- -- -- -- -- -- -- -- --
F8 [A4 (),A5 (速0 ,宽5 ,高5 ,形2 .5 ,距0 ,向 →,红0 ,绿255 ,蓝0 ,皮0 ,经199 ,纬375 ),A1 (吃1 ),A6 ()]-> M3 {64 }
F3 [A1 (速0 ,宽5 ,高5 ,形2 .5 ,经207 ,纬368 ,距0 ,向 →,红0 ,绿255 ,蓝0 ,皮0 ),A1 (吃1 ),A2 ()]-> M1 {64 }
STEPKEY -- -> > 构建时序 :F11 [A10 (速0 ,宽5 ,高5 ,形2 .5 ,距0 ,向 →,红0 ,绿255 ,蓝0 ,皮0 ),A1 (吃1 )]-> M7 {64 }
//2. 正向类比-抽象概念
STEPKEY —> 构建概念 :A10 (速0 ,宽5 ,高5 ,形2 .5 ,距0 ,向 →,红0 ,绿255 ,蓝0 ,皮0 )
STEPKEY具象1 :A5 (速0 ,宽5 ,高5 ,形2 .5 ,距0 ,向 →,红0 ,绿255 ,蓝0 ,皮0 ,经199 ,纬375 )
STEPKEY具象2 :A1 (速0 ,宽5 ,高5 ,形2 .5 ,经207 ,纬368 ,距0 ,向 →,红0 ,绿255 ,蓝0 ,皮0 )
B组: 远果不能吃
远投右
//B1-远投 (预测吃可饱);
STEPKEY时序识别 : SUCCESS >>> matchValue :0.500000 F11 [A10 (速0 ,宽5 ,高5 ,形2 .5 ,距0 ,向 →,红0 ,绿255 ,蓝0 ,皮0 ),A1 (吃1 )]-> M7 {64 }
//B1-饿 (真实为饿)
STEPKEY -- -- -- -- -- -- -- -- -- -- -- -- 反向反馈类比 START -- -- -- -- -- -- -- -- -- -- -- --
STEPKEY -- -- > 反向反馈类比 CreateFo内容 :F2 [A1 (距0 ),A1 (吃1 )]-> M10 {64 }
STEPKEY -- -- > 反向反馈类比 CreateFo内容 :F2 [A1 (距46 ,经202 ,纬508 )]-> M13 {-51 }
//B1-进R+,输出吃,但并不能解决问题;
-> SP_Hav_isOut为TRUE : A1 (吃1 )
//B2-远投右 (预测更饿)
STEPKEY时序识别 : SUCCESS >>> matchValue :1.000000 F13 [A7 (速0 ,宽5 ,高5 ,形2 .5 ,向 →,红0 ,绿255 ,蓝0 ,皮0 ,距54 ,经191 ,纬531 )]-> M8 {-51 }
//B2-进R- (进入SP行为化,得到了GLDic,但失败了,因为此时的行为应该是飞近,但没学过飞)
-- -- -- SP_GL行为化 :距37 -> 距0
//B2-进R+ (循环前两帧,一帧越界`参考bug7`,一帧输出吃`同B1`)
< 警告 > 行为化概念无效
-> SP_Hav_isOut为TRUE : A1 (吃1 )
C组: 学飞
远投右,飞右
//C1-飞右 (进入SP-GL行为化)
-- -- -- SP_GL行为化 :距52 -> 距0
//BUG-发现GL找不以索引glAlg,导致行为化失败;
20013_BUG
STATUS
1. 活跃度消耗在决策每轮循环调用之前,导致决策循环完未消耗活跃度;
T
2. demand.fo不应期不工作,导致每轮循环联想同一解决方案;
T
3. 训练到C时,远投右,预测时序为mv-,应该进TOP.R-,但却进了P+;
T
4. 训练到B1点击饿时,进了R+,而不是R- (预测为正,实际为负);
T
> 正常的,因为预测为正,所以会R+输出吃 (虽然并吃不到);
T
5. 当决策完成时,是否主动观察自身价值状态 (比如输出吃,观察饥饿状态是否变化);
T
> 暂不,因为尽量让imv自然发生,像吃时不会马上饱,而是有味觉吸引着继续;
T
6. TOR.R-中indexOfAbsItem方法得到-1失败的bug
T
7. 有outModel.actionIndex>fo.content.count的问题,导致"行为化概念无效";
T
> 因为B组共三帧,最近一帧右投预测不能吃,R-行为化失败,因为不会飞;
T
> 倒数二帧,是B1的马上饿,输出吃,预测可饱,R+行为化失败,因为吃已输出,所以越界;
T
8. C1训练右飞两次后,为何还是找不到距离变小索引;
> 分析原因: 因为在用pAlg索引找,未经历过飞至距0,所以无法找到;
> 修复方案: 改为由sAlg索引,找s出发,变小接近p;
> 经查,修改为sAlg依然没有glAlg,所以查内类比是否根本没构建距变小节点;
9. C1飞右后一帧,被识别为距0果,导致前后内类比成了距71->0,这显然不对;
> 经查因为飞后一帧的速度!=0,所以无法全含,只能纯相似匹配,导致识别为距0果;
> 修复方案1: 飞到0,吃掉坚果->{mv+}
> 修复方案2: 训练不同方向飞 (速度也不同),从而抽象出无速度坚果;
> 执行: 将C1改为向各种方向飞,先抽象出无速坚果,再专注训练飞变近;
CreateTime 2020.06.18
上节中,因BUG8和9导致速>0的问题,本节调整训练方式,尝试找出更少步骤的新版训练步骤;
20021 >> A组-构建无速果,远果不能吃
A1右投
A1(速0,高5,经217,纬536,距56,向→,皮0) 下简称A1
A2饿
A3右飞
A2(高5,经217,纬536,距56,向→,皮0,速-0.000002)matchA_Seem:A1
F4[A1]matchF:F2[A1]->M1{-51}
A3(高5,经217,纬536,向→,皮0,距52,速-9.980625)F6[A1,A1]matchF:F2
A4右上飞
A4(速0,高5,经217,纬536,向→,皮0,距52)A5(高5,经217,纬536,向→,皮0,距50,速-6.417388)
A5饿
正向类比:F2[A1]->M1{-51}
正向类比:F10[A3,A4,A2(飞↗),A5]->M3{-51}
构建概念:A12(高5,经217,纬536,向→,皮0)
构建时序:F13[A12(高5,经217,纬536,向→,皮0)]->M7{-51}
20022 >> B组-果可吃
B1重启,直投
A6(速0,高5,向→,皮0,经207,纬368,距0) 下简称A6matchA_Seem:A1
F14[A1]matchF:F2[A1]->M1{-51}
反向类比:F2[A1]->M1{-51}
反向类比:F16[A6(速0,高5,向→,皮0,经207,纬368,距0),A1(吃1),A7()]->M8{64}
构建S:F2[A1(经217,纬536,距56)]->M10{-51}
构建P:F2[A1(经207,纬368,距0),A1(吃1),A7()]->M13{64}
B2飞右上
B3直投
A10(速0,高5,向→,皮0,经199,纬375,距0)matchA_Seem:A6
F20[A1,A2(飞↗),A6]matchF:F16[A6,A1(吃1),A7()]->M8{64}
内类比:F20[A1(速0,高5,经217,纬536,距56,向→,皮0),A2(飞↗),A6(速0,高5,向→,皮0,经207,纬368,距0)]
内类比 (大小) 前: 纬536 -> 纬368
内类比 (大小) 前: 距56 -> 距0
内类比 (大小) 前: 经217 -> 经207
正向类比:
Con1F16[A6(速0,高5,向→,皮0,经207,纬368,距0),A1(吃1),A7()]->M8{64}
Con2F22[A9(),A10(速0,高5,向→,皮0,经199,纬375,距0),A1(吃1),A11()]->M14{64}
Abs:F25[A24(速0,高5,向→,皮0,距0),A1(吃1)]->M16{64}
B4,重启,右投,饿; 避免让小鸟以为右投就能饱
B5,重启,右投,饿; 避免让小鸟以为右投就能饱
20023 >> C组-训练飞
C1:重启,远投右
A12(速0,高5,纬536,距56,向→,皮0,经211)matchA_Fuzzy:A1(速0,高5,经217,纬536,距56,向→,皮0)
F26[A1(速0,高5,经217,纬536,距56,向→,皮0)]matchF:F23[A1,A2(飞↗),A6,A1(吃1)]->M15{64}
C2:飞右
A13(速0,高5,纬536,距56,向→,皮0,经211)matchA_Fuzzy:A1(速0,高5,经217,纬536,距56,向→,皮0)
F27[A1(速0,高5,经217,纬536,距56,向→,皮0),A1(速0,高5,经217,纬536,距56,向→,皮0)]matchF:F11[A1,A1,A1,A1]->M4{-51}
行为化topV2_R+:-> SP_Hav_isOut为TRUE: A2(飞↗)
C3:重启,右投一飞距离;
C4:右飞;
BUG
STATUS
2. 查下C1为何未预测到远果不能吃;
3. 在B3时,对F20[]进行内类比,得到距大到距0,变小,查下这里为什么会有距50,因为B组都是直投;
> F20[A1(速0,高5,经211,纬518,距50,向→,皮0),A2(飞↗),A6(速0,高5,向→,皮0,经207,纬368,距0)]->F2[A2(飞↗),A1(纬小)]
> 查下,F20何来,或者说A1为什么会出现在此处;
4. 在C2时,行为化先输出了飞右上,后输出了吃,查下为什么飞右上后,直接就输出吃了?因为飞右上,并没有直接让坚果的距离为0,此时是吃不到坚果的;
5. 输出飞右上行为后,并没有解决Demand,却中止的问题; 转至todo2
T
6. 在B组之后,需要插入右投马上饿,否则会将C1的远果预测为mv+,查下为什么?
7. 在C4飞到距离0时,为什么反而识别成了距7果?
TODO
STATUS
1. 用于描述外观的:红绿蓝角宽高,调试时看着眼累,可保留高,其它去掉,不影响且直观;
T
2. DemandModel.status完成,只会发生在两种情况下,1是任务被抵消(如饱腹感),2是活跃度为0(如想不到方法了);
3. 对飞行8个方向的调试,要支持根据坚果方向,飞向不同方向,以保证飞近;
4. 测试_GL行为化,找不到glAlg的BUG,是否ok了;
T
> 经测,依然无法联想到glAlg,测试方式为将B组后,插入,远投右,马上饿,重启三步;
T
5. 对决策系统,写打印日志,进行测试;
6. 测试任务未完即断的问题 (已修复bug,但还没测);
7. 查下fuzzyAlg匹配,是不是模糊条数少会优先,比如(a1,b0),会匹配到(a1,b2),而不是(a1,b1,c1);
CreateTime 2020.06.24
20031
找不到glAlgBUG;
简介
无法联想到glAlg的bug,因为SP构建线和GL构建线本来就不同,所以找不到glAlg;
分析
现有代码仅支持从P找一层抽象,而这无法与GL找到交集,故联想失败;
示图
图解
1. GL和SP的构建并非同时,但从理性考虑,其越相似,GL也同时可对P有效;
2. 用A3找A1,优先从纵向找抽具象有关系的,其次用相似度匹配个有相似的;
改测
1. 见图2,发现确实存在抽具象关联,不过GL为具象,P为抽象;
结果
先仅对GL和P做mIsC的判断,至于是否要支持相似度以后再说;
CreateTime 2020.06.25
起因:
posX/Y并不是放弃行为化,而是因为本来posX/Y符合ft稀疏码,所以根本不需要行为化;
fuzzy匹配充满不确定性,而决策害怕这种不确定性,故习得ft稀疏码,更全面的经验为了更好使用;
fuzzy需要计算推测(即相似度模糊匹配),而ft稀疏码不需要计算,这符合类比结果保留原则;
类比时,不同不表示无信息,比如8cm苹果和9cm苹果并不表示苹果无大小;
20041
ft稀疏码的两个解决方案
激进方案 可以写ft稀疏码索引,并在抽象概念中引用,比如苹果的大小为(6cm-13cm)5%;
缺点
ft稀疏码索引不好维护,比如3比5得到(f3t5),而(f3t5)比8得到(f3t8),但he的知识是不能变动,只能新增的;
优点
符合将全面经验存留,并在今后使用的原则;
保守方案 不特意写ft,仅在匹配时,对conPorts的同区稀疏码取出,并得到大概范围95%;
缺点
性能不如方案一好,也犯下了经验不全,实时运算收集的错误;
优点
现在这需求并不急,而这些对当前训练的影响,可以先转由别的方法解决 见20042;
20042
MultiMatch
比如
fuzzy带来posX/Y的要求,而这显然并不需要,的问题;
解决
多识别:多个全含识别,替代fuzzy匹配,即可更全面预测,又避免了fuzzy带来的不确定性;
举例
可将远果,识别为:果可吃和远果不可吃,两个全含概念与时序;
20043
fuzzy算法的本质矛盾
1
要求,fuzzy算法模糊匹配到距离;
2
要求,fuzzy不能模糊匹配到位置;
问题
这二者,是矛盾的,我们不能要求同样的代码逻辑下,对二者的结果要求截然相反;
示图
解读
本图,可用来指导迭代时序价值预测算法,即利用稀疏码尽量避免价值预测的不确切性;
CreateTime 2020.06.27
因fuzzy带来的不确定性，原则上与螺旋熵减机的熵减相违背，本节将针对这一点，对识别算法进行迭代。本节共分两个部分进行迭代，一是取消概念识别中的fuzzy模糊部分，二是对时序识别进行迭代使之支持更加确切的时序与价值预测。
20051
MatchAlg部分->代码变动规划
1
取消tirAlg算法的fuzzy算法,仅保留全含;
说明
因为fuzzy是熵增的,而不是熵减,无论如何都会带来不确定性,蝴蝶效应致其后运转混乱;
20052
MatchFo部分->代码变动规划
规划
对tirAlg的全含结果进行refPorts联想,查看其是否价值稳定;
1
如果稳定,可直接返回匹配度最高的时序识别结果 ->识别成功;
2
如果不稳定,即价值时正时负,则进行以下操作:
a. 根据protoAlg中,找出独特部分的指引 (如距8,pos9等...);
b. 顺着时序具象,找出稳定的结果,如有距果总是不能吃,则返回结果 ->识别成功;
注
因为protoAlg的独特稀疏码可能多条,所以最终稳定的结果,也可能是多条;
性能
关于此规划方案,的性能问题,有以下两种方式:
1. 学习期间即构建from-to概念,因本身已具象关联,故不采用; 5%
2. 不构建from-to节点,而是在独特稀疏码同区指引下,用全含fo向具象找出答案 95%;
废弃
中止本节开发,转至n20p6分析从理性角度求解;
CreateTime 2020.06.28
本节起因为：距离与位置的矛盾,分析尝试从类比或理性解决,最终演化为在决策中进行PM理性评价 (PM为ProtoMatch略写),评价失败时,转行为化;
20061
分析
示图
解读
如图,距离是稳定的,而位置是不稳定的;
原则1
距离与位置能否吃,是一个理性问题 (无论它们导致的价值如何,理性上是可判断的);
原则2
距离与位置矛盾的向性应该是向下的,所以应由决策解决;
方案1
决策时,理性判定距0果能吃,距>0果不能吃,位置不影响;
优点: 可保证在识别与预测中,广泛的精准的放开想法,到决策期再进行理性的可行性判断;
比如: 看到电视上的美食,我也会预测是吃的然后想吃,只是决策分析到需要网购发快递;
反例: 如果因为价值不稳定,就想都不想吃,就会错过很多熵减的机会 (因为不稳定是可操作的);
20062
代码规划
示图
1
在识别阶段,仅作全含识别;
2.1
在行为化时,用protoAlg独特稀疏码指引,向具象理性判定其是否需实现;
2.2
在行为化_GL中,用RelativeFo_ps判断具体稀疏码是否需行为化;
总结
本表,仅决定了,此问题需在决策阶段解决,但对代码的规划还太过粗糙,继20063
20063
代码规划2
代码
在TOR.R+中,每一帧protoAlg输入,都做下图中操作;
初步示图
说明
图中,以protoAlg特化码距为指引,从absFo.conPorts中,找出价值正和非正,并得到加工结果62->0;
疑点
Q: fo2和fo3怎样与absFo建立的抽具象关联?
A1: 如果fo2=[距5,距0,吃]={mv+},即可;
A2: 或fo2[距9果,吃]压根不存在,先用protoAlg找同级坚果们,并fuzzy匹配到距62果,再找refPorts,看是否指向{mv+},未指向,说明不能直接吃;
总结: 两种回答,同存而各自工作,比如拿桌上苹果吃用A1,将屏幕上的苹果网购回来用A2;
A2示图
说明
此图是A2解答的修正示图,步骤如下:
1. 用A2模糊匹配到同层A3(距62);
2. 并根据A3.refPorts,发现与F1.conPorts无交集,且得到的fo2发现并不直接指向mv+;
3. 根据分区距找F1.conPorts,找到F3,发现距0指向mv+;
4. 得出,需将F2的距62,加工成F3的距0;
注
PM理性评价,只需mv同区同向即可评价成功,评价失败时,用GL加工稀疏码;
进阶
分析下,用不用对P.refPort和M.conPorts先取交集,再做相符判断;
TODO
DESC
STATUS
1
删掉TIRAlg的fuzzy功能;
T
2
删掉TIRFo写了一半的更加确切的时序价值预测代码;
T
3
整理TOAlgModel代码,使理性评价与GL的数据兼容至TOAlgModel和决策流程控制中;
T
4
写理性决策PM算法;
T
5
将理性决策算法PM集成到TOR与决策流程控制中;
T
CreateTime 2020.07.03
20071
花样训练记录1
1
右投,饿,飞右,飞右上,饿;
2
直投,飞右上,直投;
3
右投,马上饿;
问题
点马上饿,未执行到决策中,查下为什么;
20072
花样训练记录2
1
直投,飞右上,直投;
2
右投,饿,飞右,飞右上,饿;
问题
在第2步,SP_GL行为化:距45 -> 距0,但未找到glAlg:getInnerAlg: 根据:距45->距0 找:distance小 GLAlg:;
20073
花样训练记录3
前提
在记录2中,有找不到glAlg的bug,
1
直投
2
右上飞,直投
3
右投,各种方向飞到坚果上;
4
右投,直接点飞到坚果上;
5
右投,马上饿;
BUG1
右投时,识别为全含抽象坚果是ok的,但马上饿后,未执行行为化,查下为什么没执行;
分析
远果只会识别为无距果,然后TOP.P+找解决方案时,参数MAlg的具象找距0果,才可能被解决方案引用;
修复
将topPerceptMode()方法中,MatchAlg先取conPorts再取refPorts;
BUG2
右投,马上饿时,在_Hav行为化中,M在MModel中为无距果,C为有距果,但匹配不到,行为化失败;
分析
经查C为M的具象,此处补上MC代码优先,判断mIsC或cIsM都可以;
修复
写上MC,并且当MC匹配时,转给PM算法做理性评价;
n20p8 决策流程控制整理->支持HNGL时序、支持Fo CreateTime 2020.07.07
以往的决策流程控制不支持TOFoModel，本节给予支持。
RelativeFo在迭代及时输出行为到外循环后，最后一位HNGL的剔除，由节给予支持。
TODO
STATUS
1. 决策流程控制支持TOFoModel,分别在Finish,Begin,Failure三个流程控制方法中支持;
T
2. _Hav中对HNGL的跳过,直接Finish,并递归到流程控制的Finish方法;
T
20081
行为"飞"死循环BUG (为测通持续飞行功能)
说明
右投偏上,饿,会死循环"飞右"输出,查下原因;
分析
1. 此处PM时,其实已经输出上一轮飞行了,那么其实位置应该已经变了;
2. 当Fo[飞,近]飞行输出后,当前value.baseAlg.status应该=ActYes,因为飞后的结果还未传回;
3. 如果传给PM的话,PM会重新根据alg的pm相关参数,进行重新行为化,也就会陷入再飞,再循环的死循环之中;
4. 应该等飞行结果传入,并能够在"外推动中"之中,判断出距离变小 (或者用新的protoAlg,继续进行PM循环再飞);
TODO1
在飞行行为改为飞行结束时,才再做为input传入 (先不改有影响再说);
TODO2
在_Hav中参数为HNGL时,只将状态改为Finish但不LoopBack (先不设定独立FinishNotLoopBack状态,而是不调用递归方法);
TODO3
在下轮输入时,需要判断是否与上轮的HNGL匹配 (不用判断HNGL匹配,直接开始新一轮决策即可,比如再飞,或者重下蛋);
结果
将_Hav中,HNGL调用递归去掉即可;
进阶
改掉BUG后,可在此基础上,进一步测试持续飞行功能;
20082
学习飞别的方向
说明
在20081进阶完成,BUG1也解决后,鸟学会了持续飞行,但发现下面两个问题;
问题
一是鸟会连飞直至超过坚果一点,还不会向左下飞修正,如下图:
示图
分析
在第三飞后,坚果在右下方,而不是(0右),导致识别不成(速0,高5,向→,皮0);
方案
1. 在多个方向训练吃坚果,使乌鸦知道与方向无关;
2. 只要坚果到了乌鸦手上,就识别为无向(0右),因为此时方向没什么意义; 80%
结果
先采用方案2,至于方案1,以后有的是时间慢慢训练,以后再说喽;
20083
飞超过的BUG 纬度影响
说明
发现鸟向右飞,距0的时候,还继续飞,即飞超了;
日志
分析
距0时,识别为,带纬度的坚果,所以对续度的思考,导致了BUG;
BUG
STATUS
1. 右投,马上饿,飞两步,就停住的BUG (应该是有效的fo解决方案也被不应期了导致);
T
2. 右投偏下,马上饿,偶尔会在内类比处闪退,报NSArray在遍历时,同时操作了;
T
CreateTime 2020.07.11
在上节的测试中，远投坚果后，小鸟可以在饿的时候持续飞过去，并吃掉坚果。但更多时候在这期间会出现各种各样的BUG，本节针对这些继续测试与修复BUG。
20091
"投饿飞吃"后收尾测试
测试
问题
1. 第0步：F2214的解决方案太复杂了，成功率当然低。
2. 第3步：第PM中，为什么会对经度进行加工？
3. 第10步：反思为空时，为何判定为否认了。
4. 第N+1步：如何避免错误时序长期为祸。
20092
BUG2_PM为什么会对"经"进行加工
分析
在PM中,依经进行fuzzy排序后;
1. 排在首位经214,其引用时序,20条,没有一个有效指向cmv价值变化的;
2. 在第二位经214,其引用时序,有一个指向了{mv-}的 (需加工);
3. 在第三位经209,其引用时序,有一个指向了{mv+}的 (无需加工);
方案
将取首位前3个,改为从sortAlgs中循环取出3-5个有效价值指向的 (因为无效的没用);
最后
原逻辑不变,只要这3-5个中,有一个指向{mv+}(即同向),则无需加工;
TODO
方案中,找出3-5个有效时序,可能要取几十次fo的io操作,为性能,可考虑将fo指针添加havMv字段,使不必取出时序,即可判断是否指向价值 先不改,后性能不行再改;
20093
PM理性评价不稳定的BUG
情景
判断当前P独特码是否需要加工时,因其先fuzzy,再A-F-M长路径联想,致M指向不确定;
问题
以往做法是找到一条同向mv,则不必加工,但发现距43时,甚至找到了距0指向正mv,从而未对距43进行加工,这导致了bug,本表重点针对此问题,分析更好的评价方案;
原则
这类分析必须放在TO,不能在TI中实现;
示图
说明
无论是fuzzy,还是后续的指向价值,都是一种预估,因为不会有一模一样的经历;
方案
找到首例同向前,将异向评分也存下来,在正式找到同向时,进行综合评分为结果;
比如
找到-64,-64,+64,综合评分为-64,需加工 或 -54,+64,综合评分为+10,无需加工;
CreateTime 2020.07.15
在训练中发现，即使采用了综合评价（参考20093），距和纬两个码，几乎指向一致的概念与时序，都是前三个为负价值，最后一个为正价值，综合评价为需加工。显然这样的结果并不准确，而本节将解决此问题。
20101
分析问题：制定解决方案
问题
PM中，距与纬有雷同的经历，并且这种情况肯定也不太少数。
分析
从具象中找理性评价，似乎变的不太够用，也不太好用，且与反思的向性相违背。
向性
PM是理性反思评价，而反思的向性应该是向上、向右。
方案1
是乌鸦吃的太少,再多吃一些,应该就可以了 5％;
分析：违背向性原则，并且也不能解决根本问题，故应该不会采用。
方案2
PM采用SP进行反思评价 95%;
分析：此方案符合向性原则（小），且符合决策更好的使用TI知识的原则（中）。
方案3
在方案2的基础上，是否对SP再进行外类比，使其更确切 50％;
分析：实现起来略麻烦，能不用尽量不用，实在不行，再考虑。
20102
方案2：PM采用SP进行反思评价：代码规划
1
使神经网络可视化，对SP节点支持不同色显示，以查看PM中是否抽象指向SP节点。
2
查下反向类比代码，使之仅支持A有无、V大小，不要有V有无。
3
查下反射类比代码，是MFo和PFo间类比，还是两个MFo类比的，看是否需调整。
结果12
经查，PM并没有指向SP，且反向类比又很难执行到（靠不住）。
结果3
经查为MFo和PFo间的类比，但这没什么问题，无需调整。
结论
方案2，看起来并不乐观，故重新制定新方案，见20103。
20103
新方案：解决PM理性反思评价的准确度问题
原则
我无需知道理性否，只需知道理性是。
例1
我无需知道脏的不能吃，只需知道干净的可以吃。
例2
我无需知道距27不能吃，只需知道距0、距3可以吃。
例3
我无需知道经278不能吃，只需知道经276能吃。
示图
分析
直接根据P独特码，找是否指向理性是，是则能吃。如果未指向理性是，则加工。
方案4
从外类比中，生成理性是节点，比如距3能吃。5%
分析：太麻烦，尽量不用，实在不行，再考虑。
方案5
直接在PM从conPorts中找到理性是所经历的经验。95%
分析：现在PM就这么做的，但实测中并不行，明天结合实测再分析下。
20104
新方案: 用模糊与相对确切的角度,解决PM评价准确度问题
实训日志
示图Q
图中,dis和y有类似的情况,但要求dis加工为0,而y即不必加工,如何兼顾二者?
示图A
需找出dis和y的区别,此二者区别为:dis已较为确切,而y确还模糊,但智能体不知其模糊状态 (即智能体对模糊或相对确切的经验代码处理方式是一致的);
方案6
加大对y的训练量,使其认识到任何y都可以吃 95%;
注意: 此处与远果不能吃的训练相矛盾,即不用刻意再训练远果不能吃;
分析: 这会影响到反向类比的调用率吗?事实上,真正的mv-前置时序,比如[车,撞],其抽象时序[物体,撞],是真实发生的mv-时序,而躲避汽车并不会导致mv+,所以反向类比,不应以同区正负mv时序时才触发类比;
分析2: 将预测[车,撞]->{mv-},改为预测非{mv-}时,即可进行反向类比,因为理性上已经成功避免mv- 转至n20p12
20105
针对方案6的训练
说明
飞到左下角,然后一飞一直投,一直飞到右上角为止,打出日志发现多为构建F4060节点;
示图
问题
发现F4060节点,只有两个具象,并且这两个具象没有再指向具象节点;
BUG
右下角,边飞边直投到右上角,结果其抽象时序只指向两个具象,查下为什么;
调试:发现新时序[坚果,吃]很难识别到结果,转n20p11;
TODO
STATUS
1. 因20104方案6,废弃综合评价,改为同区价值时,需要同向;
T
2. PM评价,不同区价值时,其和需>0 先不做;
CreateTime 2020.07.17
在20105中，做左下边飞边吃到右上训练时，发现新的[坚果,吃]时序很难识别成功，本节将针对此问题，对TIR_Fo算法进行迭代。
20111
旧TIR_Fo算法模型图
示图
说明
由图可见,(吃)可能有上万条refPorts,前十条极可能都是非常具体的坚果,根本不可能全含A81抽象果;
如图
说明
图中proto是F4545,assFo是F1265,要全含就需要A81是A311,但事实上相反A311是A81;
20112
新TIR_FoV2算法模型图
示图
说明
新模型中,用取交集计数的方式排序,是更理性的做法,自然能够提升识别率;
进阶
可以添加一条要求,比如全含且必须包含最后一位(吃),以减少范围,提升性能; T
测试
写完后,经训练测试,发现v2用计数排序的方式不利于找出更确切的抽象结果,故废弃;
20113
TIR_FoV1.5算法
示图
说明
与v1逻辑一致,只是整理了下代码,更为v1.5方法名;
TODO
STATUS
1. 对时序识别v2算法,支持末位帧必包含;
T
CreateTime 2020.07.17
因为反向价值太少见,所以对其依赖才工作,将变得很难,将价值正与负的依赖改为:
预测正变成预测不为正;
预测负变为预测不为负;
TODO
STATUS
1. TI时,对输入短时记忆上下帧进行价值比较时,用正与非正,负与非负,替代反向类比;
2. TO时,决策的任务,仅追求正价值,与避免负价值,而不必找SP兄弟节点解决;
CreateTime 2020.07.19
20131
训练步骤
1
边投边飞,左下至右上;
2
右投,飞过去吃掉;
3
右投,饿,PM想飞,但找不到GL结果;
20132
训练中,观察日志发现-神经网络问题:
1
坚果未抽象,识别坚果概念老是相似而非全含;
2
直投时序识别总失败;
3
触发的外类比太少;
分析
3导致1: 触发外类比太少,导致时序抽象不够,同时坚果也未抽象 (所以老相似而非全含);
分析
3导致2: 外类比太少,导致时序抽象不够,所以导致直投时序识别总失败 (因为无法全含);
结果
即3导致1和2,只要解决3的问题即可 转20133;
20133
时序外类比触发太少问题
分析
外类比是由短时记忆各帧mModel.matchFo触发,且要求matchFo必须指向有效的价值;
问题
输入TIR和TIP都会构建时序,其实TIR理性时序占大多数,所以matchFo.cmv_p常为空;
解决
mModel.matchFo源于识别,所以在识别中,应当以有价值影响为优先,即可解决此问题;
说明
上图中,虽然很少匹配到有价值时序,但也能够慢慢得到外类比抽象时序;
说明
如上图,先上飞直投,后右飞直投,就得到了F95[A94(速高距向皮),A1(吃)]->{mv+};
最终
调整训练方式,为先原地上吃,右吃,来得到确切的抽象时序与概念,再进行下步训练,如果这样的训练方式,能够顺利进行下去,就先不对时序识别算法与外类比触发,做调整;
20134
测试终止,原因
测试
在测试中发现,TIR_FoV2算法,用计数排序的方式,导致其不利于找出更确切的抽象时序;
问题
问题在于,其识别出的时序总是具象的,未指向价值的;
导致
这导致未指向价值的识别,是无法触发外类比的,从而无法抽象出更确切的时序;
问题
最终,无法识别更抽象时序,也无法构建更抽象时序,形成恶性循环;
解决
我们将v1算法整理成v1.5算法,替换上后,进行训练试试 转n20p14;
TODO
STATUS
1. 对时序识别结果,优先识别为有价值影响的时序结果 先不改,用调整训练慢慢得到;
T
CreateTime 2020.07.21
因V2计数排序导致不利于识别更抽象时序问题（参考20134），本节将切换时序识别算法至v1.5下，进行训练，并记录情况，分析问题。
20141
训练步骤
1
直投,右上飞,直投: 得到F14[A13(速高距向皮),吃]->{mv+};
2
边吃边飞至左下: 大多数识别并抽象为F14
3
边吃边飞至右上: 大多数识别并抽象为F14
也用部分抽象为F54[A52(高距向皮),吃]->{mv+} (因为飞导致速度>0时导致);
更小部分抽象为别的带飞的时序,较杂不记录;
4
远投右: 概念相似匹配为A61(速高距向皮,x143,y581),时序识别为F14
5
持续右飞: 远距未触发外类比 转至20142;
6
飞到坚果上时,吃掉: 0距识别为F14
20142
构建无距果问题
问题
从1-6训练中,发现远果未触发外类比的问题: 即如何发现距0和远距都是(无距果)?
解决
可在远果概念相似识别后,对其进行概念类比,并构建抽象;
返回
将seemAlg作为识别结果返回,虽然构建了抽象无距果:A190(速高向皮);
Q1
为什么不将构建的abs无距果返回,而是seemAlg?
A1
因为返回无距果,会导致其未被fo引用过,从而导致无预测,无外类比;
总结
构建无距果,并未触发外类比,因为远投,无需外类比 (缺乏同向价值触发);
20143
修改为20142的构建无距果后,将seemAlg返回后,再训练
1
重启,直投,右上飞,直投
2
重启,边吃边飞至右上
3
重启,边吃边飞至左下
4
重启,远投右: 相似识别为:A61(速0,高5,距0,向→,皮0,经249,纬145) >> 构建抽象:A185(速0,高5,向→,皮0)
5
持续右飞
6
飞到坚果上时,吃掉
7
重启,右投,马上饿: 发现循环行为输出:右飞,吃,停不下来,查下为什么?
20144
右飞,吃行为循环问题,日志分析
BUG1
1. 发现方向索引强度一直是64不变的bug,在抽象时,将其强度+1,后解决;
2. 将方向索引后,理性取交集废除掉,参考topPerceptModeV2迭代记录;
BUG2
BUG3
BUG4
1. 发现在_Hav中,relativeFos仅找理性交集的方案,但很难一蹴而就,参考_Hav算法200727迭代记录
BUG5
1. 仅在DemandManger中有新需求时,才加思维活跃度,避免决策不停循环;
说明
以上几个BUG,不断重复着,逐一解决即可;
CreateTime 2020.07.27
上节中,对20143的训练进行了测试,并对五个bug进行了修复,本节在修复后回归测试,再测修bug;
20151
继续测试20143
说明
训练至第7步,马上饿后;
BUG1
发现一轮轮循环中,TOP.P+不应期总是0条,未生效?
BUG2
解决方案[A8(0距果),吃]的A8.cHav,其relativeFo为[飞↗,A8(有)],每轮循环都在重复飞↗行为,而此时其实relativeFos有两个元素,另外一个也许有其它前提,比如要求有左下角果;
BUG3
对时序预测中,未发生的事,也参与了内类比?
BUG4
PA在识别期抽象为MA,在_Hav中优先MC时,是不是就应该直接转到PM加工?
此处,未能及时MC理性评价,引出n20p16
查可视化:
说明:上图中,M和C可以加工,但问题在于如何判断其需要加工?
分析:其实就是M与C如何创建共同抽象,或者cIsM(距0也是无距果)关联;
分析2:关于M和C的抽象,只有从外类比和内类比两种方式;
分析3:0距和非0距很难进到外类比,所以只能从内类比来触发试试了;
分析4:先扔个飞一两步距离的远果,然后飞成0,看内类比,是否有对达到0果做内中外类比,从而获取M和C的抽象关联;
结果1: 训练可类比构建出抽象无距果,见20153-第5步
结果2: 做了TODO5,6改动后,回归训练后,顺利执行MC 参考20153-6;
BUG5
_GL行为化中,找glAlg时,距小相对节点的具象都为空,导致联想glAlg失败;
解决: 将protoFo和matchAFo的构建改为isMem=false,从而内类比构建时序时,具象指向为持久化时序,便可解决此bug 参考dataIn_NoMV();
BUG6
BUG5解决后训练,发现新BUG;
分析: 经调试,在第一步,取innerValue_p时就以小却取了大;
怀疑: 怀疑是内中外类比,导致抽象出飞GL与距GL形成时序,具体BUG源头在构建期;
BUG7
在原训练基础上继续训练,就是再重启,右投,马上饿,发现以下BUG不复现
结果: 重新训练,未复现,参考:BUG8中重新训练结果
BUG8
并且为什么,距离变小的时序,是F21[A8(飞大)]?,这显然是不对的;不复现
分析: 经查,A20.refPorts只有F21,但F21的content_ps却没有A20,二者关联错乱;
结果: 重新训练,希望找出这种错误关联是如何构建的,但未复现,见下图;
BUG9
方向索引强度异常; 不复现
分析: 重新训练,将强度>100时打断点;
查明: 经查,地址会重复,估计是因为[[NSUserDefaults standardUserDefaults] synchronize];无法及时将数据写入导致;
BUG10
PM中任务分为负的BUG T
demand本来就为负,解决方案才为正,所以改为取-demand.score即可;
BUG11
MC中发现"无速果"的问题 (因为坚果不移动,不应该有无速果); T
经查,有两种可能导致
1. 还没吃完上个,就飞下个 5% (加快动画即可解决);
2. ios的view复用 95% (记录view.init时间,以判断唯一性,可解决);
BUG12
决策完成,但没有解决demand时,却停止了;
20152
决策递归嵌套
说明
综20151,不应期的递归,应先对subModel进行不应期递归,后逐级递归至parentModel;
示图
说明
图中,上下级的递归,嵌套着每一个subModel的子递归;
中止
本来就是递归嵌套的,但上述BUG主要是因为MC未执行,与递归嵌套无关。
20153
修改BUG4后,回归训练
1
重启,直投,右上飞,直投
2
重启,边吃边飞至右上
3
重启,边吃边飞至左下
4
重启,远投右,持续右飞,飞到坚果上时,吃掉
5
重启,远投右,持续右飞,飞到坚果上时,吃掉 (此处抽象出无距果,如下图)
6
重启,右投,马上饿
20154
简化训练步骤
1
直投,右下飞,直投,边吃边飞至右上
2
重启,右投,飞至坚果,吃掉
3
重启,右投,马上饿 (小鸟自行飞到坚果并吃掉);
TODO
STATUS
1. BUG4_内类比,使用protoAlg进行;
本来就是
2. BUG4_fo[距47果,飞右,距0果]下,MC时,当时序为M的具象时,即可加工;
3. BUG4_fo[距47果,飞右,距0果]下,MC时,时序中的alg为M的具象时,用fuzzy排序匹配,再对MC的稀疏码进行加工;
太复杂,不采用
4. BUG4_修复subModel的不应期,看下第二方案中是什么内容: [(A8有)];
无用内容
5. BUG4_内类比大小,使用protoFo进行,有无使用matchAFo进行;
T
6. BUG4_在内类比有无时,将内类比的两个概念类比抽象;
T
CreateTime 2020.07.28
过去的很长时间，我们在决策端的迭代总是更多，而最终都将责任大多落到了类比期，而决策期真的将知识应用到了极致吗？显然不是，在上节20151_BUG4中，发现MC理性评价器并未及时工作，导致小鸟在训练中缺乏理性的一味的向右上飞行（当然不应期未正常工作也是BUG原因之一），本节将对评价器进行整理，从而从决策模型上根本解决此问题，使决策能够更充分的使用神经网络知识，使TO代码更直接的被决策模型所指导。
20161
评价器
说明
类似类比器,我们尝试封装评价器,模型如下:
模型
说明
1. 理性评价器REvalute和感性评价器PEvalute,共两个;
2. PE类似外类比,对mModel.MFo与解决方案fo间,进行加工,使其为价值正;
3. RE类似内类比,与mModel.M/PAlg与解决方案的Alg间,进行加工,使其稀疏码趋近;
4. 类比器是从输入-类比-构建抽象,而评价器是从应用具象-评价-输出;
总结
现在的代码都有支持,TOP的模式是对PE的支持,而MC/PM是对RE的支持;
现在先不封装评价器,v3.0时再说,目前的评价出现问题可先由此模型先指导;
CreateTime 2020.07.31
20171
内类比-理性知识支撑
说明
不同方向的坚果,需要向不同方向飞,这种知识需要通过内中外类比获得;
示图
20172
BUG解决
BUG1
默认方向右导致方向无法被抽象剔除;
方案1: 视觉算法改为: 距0时,无方向 简单,优先采用;
方案2: 直投时,有点位置偏差,能吃到,但每次投的方向也有所不同,终抽象出无向果;
分析: 先用方案1试下,不行再用方案2;
方案2修复后回测:
方案3: 再多训练几轮边飞边吃,看能否将P识别为(无距,无向果);
20173
PM评价BUG
说明
1. 当"远投,饿"吃到的,和"远投,饿"未吃到的,都发生后;
2. 在PM评价中,因为未吃到过,就评价为否,导致PM修正失败;
分析
1. 比如(向左下,距23)->{mv-},显然导致失败原因是距离,而不是方向;
2. 但PM中,是逐个稀疏码判定的,导致此处方向评价为否,并修正失败;
3. 看起来,是PM的评价不够充分,或者太简单,导致无法支撑本节多方向飞行训练;
方案
1. 能不能提前,分析出距离导致的问题 (即更综合的PM评价);
2. 类似经纬当时的处理方式 (即多经历,来使模糊匹配到不必修正);
3. 对距离导致进行抽象 (需抽象距>0,或者支持from-to节点);
选方案
方案1,综合永远都有错误率,并不能根治问题,还增加了不确定性 0%;
方案2,已在经纬时实测可解决,但有较小错误率,如正好fuzzy碰到了负价值;
方案3,此方案解决此问题最彻底且理性,但改动较大,可重点分析这条 95%;
结果
1. 可尝试从理论模型上出发,分析方案3 90%;
2. 可考虑方案2,先解决了问题再说 10%;
方案3
采用反向类比SP知识,先调试下看,fuzzy找到的概念,是否有brother节点;
示图
说明
图中,表明先反向类比构建SP,再进行PM使用SP经验的方式;
问题
问题在于,A2不会指向mv+,如果指向了,那么A2就是0距果,而P是不可能被识别为0距果的,所以反向这个条件是不成立的,除非是mv负与mv平,进行反向类比,那么反向类比就有点像感性内类比,即什么数据导致了价值负 转至n20p18;
方案3结果: 本来就不是坚果导致饿的,所以无论是向↙还是距23,都不是饿的原因,转至以下方案4;
方案4
先点马上饿,再远投;
分析: 因为本来就非坚果导致饿,并且早期的偶然事件对HE的知识体系影响较大,所以可以从先饿,再扔坚果,来尝试训练多向飞行;
20174
尝试用方案4训练
示图
问题
图中,我们仅知道距0果可以吃,但并不知道距26果能不能吃;
分析
如果仅基于fuzzy匹配,永远都无法获得更确切的解,因为:
1. fuzzy本来就是多变的,不确定因素较大;
2. 只有抽象才是解决确切性问题的,所以还是得思考下从SP出发解决;
分析
原先指向价值负时PM评价失败,显然是不准确的,因为有可能负价值从未发生,(正价值相反是非正价值,而不是负价值) 转至n20p18;
n20p18 PM评价BUG-反向反馈类比迭代为反省类比 CreateTime 2020.08.12
在20173方案3的316示图中，发现了最可能的是负与平进行类比，而非负与正。那么这种类比方式就更像一种感性外类比，或者叫非正向反馈类比。如果把外类比当做取并集，那么非正向类比就是取差集。以往我们已经写好了反向反馈类比算法，但因为这个原因，其实很难触发，基于此，我们有理由对其进行迭代，将反向类比迭代为非正向类比。
命名: 因反向反馈类比,不再是反向,而是正与非正,而针对的时序,也由仅支持预测时序改为,支持决策短时记忆中所有时序,所以本节,将其更名为:反省类比;
20181
20174-PM评价BUG-理性感性两种解决方向
1. 理性
理性远果吃不掉 (无法变成cNone果);
难点: 如何触发果无失败,并理性发现远果吃不掉;
2. 感性
感性远果不能吃 (mv非正);
难点: 如何触发非正的反馈类比;
20182
PM评价方案-参考旧方案
旧评价示图
说明
常在河边走,总有湿鞋时,这种依赖fuzzy撞大运,本身就违背熵减的原则;
20183
PM评价方案-制定新感性方案
分析
1. 抽象出cPlus,如距0可mv+;
2. 抽象出cSub,如距23不可mv+;
难点
只要可以触发反向反馈类比,即可从中分析S和P,问题在于触发方案;
触发方案
时序元素间追加生物钟时间间隔,并制定触发策略,如>130%时,触发;
触发原理
当生物钟超过触发策略阈值时,触发
反省类比
1. 理性_价值正与非正间,进行反向反馈,并反省原因 参考n18p6;
2. 感性_可考虑产生焦急情绪,再反向反馈,并反省原因 参考n18p7;
结果
暂不支持焦急触发,因为只有生物钟是必做的,转至20184;
20184
激进方案: 迭代反省类比
简介
接20183,先做生物钟反省触发和决策时序全面支持功能;
示图
说明
参考:18061_反省方式,图中对每一个foOutModel未正常执行时,都进行反省反思,并得到非常丰富的SP抽象;
在PM评价时,可以因此而快速得到非常理性的SP知识,并以此得到评价结果;
结果
转至n20p19,对此方案进行代码规划;
20185
保守方案: 暂不迭代反省
简介
以当下的问题出发,改进训练方式,尽量不迭代反省,在原反向类比基础上解决;
步骤
1. 左投飞过去吃掉。
2. 左投，预测到吃掉，马上饿，触发反向类比，发现是距离导致，而不是方向。
3. PM改用SP做评价基准。
难点
细致分析知识网络变化,看这种方式能否支撑解决当下的问题;
缺点
1. 这么做,其实是用指定训练方式代替了触发;
2. 并且这种触发一般都是偏感性的,不如生物钟方式理性;
3. 且这种触发非常不全面,比如针对各层subFoOutModel,显然无法照顾到;
4. 这种触发方式本身不符合熵减机将原始熵信息进行输入的原则,因为要求训练方式,其实就是要求了熵减,而再遇到熵增时,则无法自行处理;
结果
基于以上缺点分析,不必再考虑这条保守方案 废弃;
CreateTime 2020.08.14
反省类比的作用:
反省类比为错误的行为尝试开放了豁口,即允许在未知之下试错输出,一旦学会,就能快速习得经验,并帮助其不会再犯;反省类比的触发,不要求input输入,即即使不输入,也会触发,比如等饭,结果三小时了还没好;
20191
激进方案: 迭代反省类比代码规划之:生物钟
类型
1. 客观时间,即智能体年龄 (即从出生到现时刻时长,单位ms)
2. 主观总体,即智能体运行时时间 (即运行时计数,关机停计,单位ms)
3. 主观细分,在2的基础上精简,仅作用于当下时序构建; 选定
使用
1. 每个概念构建到瞬时记忆时,将当前时间戳计入AIShortMatchModel中;
2. mv输入时,计时间戳到(尽量只放字典,其次或放mvNode);
3. 瞬时记忆构建时序时,以首位为0,向右分别计deltaT,末位计mvDeltaT;
4. 抽象时序时,首位归为0,此后每位间,deltaT从具象中取较大的值;
20192
激活方案: 迭代反省类比代码规划之:触发器
代码
写触发器,制定几下几点功能;
1. timer计时器触发,取deltaT x 1.3时间;
2. 将预想时序fo,和实际时序fo存至触发器中;
3. 当outModel中某时序完成时,则追回(销毁)与其对应的触发器;
4. 直到触发时,还未销毁,则说明实际时序并未完成,此时调用反省类比;
原则
将commitFromOuterPushMiddleLoop()中mIsC匹配上的,都存Tigger中做为实际发生,以使反省类比全面到位;
定义
SP也是模糊到相对确切的,起初无SP时,PM算法不执行修正,直到通过反省类比确切后,才会有修正;
实例
理性例: 小孩子会尝试取到视频通话手机屏中的水果,但几次拿不到,反省发现(水果在屏幕中),从此不再通过屏幕拿东西;
感性例: 小孩子抢吃的会开心,有次抢了大人白酒,喝了辣不开心,下次不抢了;
20193
激活方案: 迭代反省类比代码规划之:类比器
代码
1. 对反向反馈类比进行迭代,使其更好的支持反省类比的一些特性;
2. 形成理性而丰富的SP抽象;
20194
激活方案: 迭代反省类比代码规划之:反省结果应用
1
在PM评价中,对这些反省类比构建的SP抽象进行应用;
TODO
STATUS
1. 在AIShortMatchModel中写inputTime;
T
CreateTime 2020.08.18
20201
时序的deltaTimes规则
示图
说明
图中,蓝色数字为deltaTimes间隔;
1. 在具象时序时,将inputTime直接传入;
2. 如图:在抽象时序时,取Max(各间隔间);
20202
触发器代码规则
示图
1
在输出行为(ActYes)时,构建理性触发器(fo.deltaTimes);
2
决策整体成功(Demand.status=Finish)时,构建感性触发器(mvDeltaTime);
3
当_Hav中ATType为HNGL时,构建理性触发器(fo.deltaTimes),目标为HNGL的变化;
4
当触发器超时(deltaTx1.3)后,触发;
5
触发后,先判断此时的任务是否还在等待状态(ActYes);
扩展
TIR_Fo预测时,是否也构建触发器,比如汽车红灯停,警车不停;
TODO
统一由预测构建触发器,而不是ActYes 思考下是否真要这么做;
20203
触发器代码步骤
1
三处构建触发器: (最好到操作的TOModel中构建触发器)
> a. demand.ActYes处
> b. 行为化Hav().HNGL.ActYes处
> c. 行为输出ActYes处
2
外循环回来,把各自实际输入的概念,存入到TOAlgModel/TOFoModel中 (最好在PM中存,因为PM在对其进行处理,面向的数据全);
> a. 改为新写commitFromOuterInputReason方法,进行处理;
> b. 相符判断: "isOut输出"和"demand完成"和"HNGL.H"时,直接根据mIsC判断外循环输入是否符合即可;
> c. 相符判断: 其中GL的相符判断,转20204;
3
当生物钟触发器触发时,如果未输入有效"理性推进" 或 "感性抵消",则对这些期望与实际的差距进行反省类比;
20204
GL的真实输入相符判断与保留
简介
GL的相符判断,因为涉及到稀疏码变化,与概念输入的判断不太一样,如下图:
示图
示例
GL处理时,需要对期望与真实概念除变化特征外是否有共同抽象做判断,比如我希望坚果变近,但近处出现一碗面;
1. 出现面很正常,因为我以前经历过多次,一飞近坚果就出现面 / 坚果变面;
2. 出现面不正常,本来坚果和面都存在,我飞近坚果,结果只有面变近了;
分析: 在确切化之前,二者都可能,而确切化后,经验就要帮助到此处运作;
结论: 暂不深究,直接判断期望与真实概念的absPorts是否有交集;
20205
反省类比
示图
原则1
无需收集realFo,直接对每个subAlgModel单独取用处理即可;
直接将status=ActYes的TOModelBase交由反省类比算法,算法对每个subAlgModel中取出realContent_p,并单独进行类比,取得结果构建成ATSub抽象;
原则2
其实反省类比,并没有进行类比,而是将决策中的即有的类比结果收集起来;
对TOAlgModel中未修正(或无需修正)的独特稀疏码,进行收集,作为类比结果;
原则3
反省类比的结果再通过外类比确切化;
上次阿三和李四拖后腿,这次是阿三和王五,那么认为阿三才是主菜;
步骤
触发后的代码步骤如下:
1. 将每一帧中未被PM修正的稀疏码,构建成ATSubAlg;
2. 将所有帧ATSubAlg再连起来,构建成ATSubFo;
3. 根据subFo,从稀疏码向概念,再向时序索引查找,同样foNode的另外的assSubFo,并进行外类比;
4. 外类比构建更确切的S时序,如果已存在,则加强;
20206
将反省结果应用于PM理性评价
结构图
说明
如图,PM操作M模型的base为当前帧,再base为当前方案时序;
步骤
1. 取outModel.base,得到当前帧curAlg;
2. 取outModel.base.base,得到当前解决方案curFo;
3. 根据curFo取ATSubPorts,查对应在curAlg上是否长过教训;
4. 或者curFo中,没有距>0的概念,所以查下是否对预期Fo将具象概念替换进去,然后再形成时序和ATSub抽象指向 (废弃此步,因为我也看不懂当时写的啥意思来着);
步骤图
说明
如图,以Fo.absPorts中取ATSub部分,作为SubAlg的有效判断;
并对有效的SubAlg中同区稀疏码,进行值排序,与P特有码最接近的为准;
向性
理性评价的向性是从右至左,从时序->概念->特征->稀疏码;
原则
因向性原则,理性判断,要由右至左,即优先时序判断,而非特征稀疏码;
比如: 之所以张三的苹果我不能吃,是因为吃了会气死张三,而不是因为苹果离张三更近;
20207
PM理性评价之取GL值
示图
TODO
STATUS
1. 构建具象时序,将inputTime输入到deltaTimes中;
T
2. 构建抽象时序,自动从具象中提取deltaTimes;
T
3. 在[relateFo:mv:]时,将mvNode的inputTime输入到mvDeltaTimes;
T
4. 写singleLoopBackWithActYes()流程控制方法;
T
5. 在OuterPushMiddleLoop支持inputMv抵消demand,其下fo设为Finish; 改由原DemandManager实现
T
6. 在TOFoModel中集成支持timeTrigger();改到ActYes流程控制中
T
7. 在OuterPushMiddleLoop,waitModel为ActYes且为HNGL时,仅判定其是否符合HNGL变化,并设定为OuterBack状态;
T
8. demand.subFo结束,调用在ActYes流程控制中构建触发器;
T
9. 行为化_Hav的HNGL,调用在ActYes流程控制中构建触发器;
T
10. 行为化行为输出时,调用在ActYes流程控制中构建触发器;
暂不写
TODO
DESC
STATUS
20200716
参考20104末行说明+分析2,对反向类比进行迭代;
转n20p12
20200716
参考20104末行说明,对R-算法进行迭代,使其不依赖SP兄弟节点解决;
转n20p12
