Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
Projeto Nemesis
Proposta de implementação de algoritmos genéticos em jogos digitais.
Sobre o projeto
 Vingança!
 Genesis foi o inicio.
 São aproximadamente 900 linhas de código até agora!
JAVA
 Linguagem de Programação
 Orientado é mais organizado!
 + Dispositivos com – trabalho
 Portabilidade
Um pouco de Biologia
 Evolução
 Mutação
 Reprodução
 Seleção natural
Algoritmos Genéticos (AG)
 Baseado na teoria da evolução;
 Processo iterativo;
 Principio de sobrevivência do mais apto
Pontos de enfoque
 Reproduzir a reprodução;
 Garantir variabilidade;
 Dar liberdade de criação ao usuário;
 MultiThrea...
MultiThreading
+Processamento
-Tempo
Processo
1
Processo
2
GUI
Programa
Carga Genética
 Individual;
 Hereditária
Gene 1 Gene 2
Individuo A 011001 10
Individuo B 111000 01
Individuo C 011011 11
Carga Genética
 Característica:
Binário
• 01110001
Decimal
• 2048
Hexadecimal
• FFE43B
Crossover
 Ponto de corte;
– Fixo;
– Randômico
0110100110
0110110011
011|0100110
011|0110011
0100110011
0110110011
Reprodução
Individuo A (011001)
• 011
• 001
Individuo B (111000)
• 111
• 000
Filho AB1
• 011000
Filho AB2
• 001000
Filho A...
• Numero de mutações:
• Fixo
• Randômico
• Chance de mutação:
• Fixa
• Randômica
Mutação
0110 0100
Original Mutante
Nächste SlideShare
Wird geladen in …5
×

Projeto Nemesis

266 Aufrufe

Veröffentlicht am

Proposta de implementação de algoritmos genéticos jogos digitais.

Veröffentlicht in: Software
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Projeto Nemesis

  1. 1. Projeto Nemesis Proposta de implementação de algoritmos genéticos em jogos digitais.
  2. 2. Sobre o projeto  Vingança!  Genesis foi o inicio.  São aproximadamente 900 linhas de código até agora!
  3. 3. JAVA  Linguagem de Programação  Orientado é mais organizado!  + Dispositivos com – trabalho  Portabilidade
  4. 4. Um pouco de Biologia  Evolução  Mutação  Reprodução  Seleção natural
  5. 5. Algoritmos Genéticos (AG)  Baseado na teoria da evolução;  Processo iterativo;  Principio de sobrevivência do mais apto
  6. 6. Pontos de enfoque  Reproduzir a reprodução;  Garantir variabilidade;  Dar liberdade de criação ao usuário;  MultiThreading;  Organização.
  7. 7. MultiThreading +Processamento -Tempo
  8. 8. Processo 1 Processo 2 GUI Programa
  9. 9. Carga Genética  Individual;  Hereditária Gene 1 Gene 2 Individuo A 011001 10 Individuo B 111000 01 Individuo C 011011 11
  10. 10. Carga Genética  Característica: Binário • 01110001 Decimal • 2048 Hexadecimal • FFE43B
  11. 11. Crossover  Ponto de corte; – Fixo; – Randômico 0110100110 0110110011 011|0100110 011|0110011 0100110011 0110110011
  12. 12. Reprodução Individuo A (011001) • 011 • 001 Individuo B (111000) • 111 • 000 Filho AB1 • 011000 Filho AB2 • 001000 Filho AB3 • 011111 Filho AB4 • 001111
  13. 13. • Numero de mutações: • Fixo • Randômico • Chance de mutação: • Fixa • Randômica Mutação 0110 0100 Original Mutante

×