Unity中Genome生成树形Body及神经网络Brain控制的技术实现问询

我正在Unity中开发一个涉及遗传算法和神经网络的大型项目，目前刚启动，需要初始实现方面的帮助。我暂未使用任何库，但未来计划尝试用ml-agents实现部分Brain功能。

我的初始方案 #

我的初步想法是使用Genome来生成Body。Body是由部件组成的树形结构，其“躯干”为Body的根节点。Body的每个部件由一个Chromosome表示，部件的属性（如半径、旋转）分别由Gene表示。部分属性（Gene）是Brain（神经网络）的可观测输入，部分属性（Gene）是Brain可控制的输出。

问题1：如何将层级树形结构最佳表示为Genome？ #

在我见过的大多数实现中，Genome都以类数组结构表示。

解答

采用带父节点标记的扁平数组结构是最优方案，既兼容遗传算法常用的一维基因组操作，又能保留树形层级信息：

• 给每个代表部件的Chromosome添加ParentID字段，根节点（躯干）的ParentID设为特殊值（如-1）。
• 将所有Chromosome按固定遍历顺序（比如深度优先、广度优先）存入一维数组，每个Chromosome包含自身ID、ParentID、以及该部件对应的所有Gene。
• 解析时，通过遍历数组、匹配ParentID即可重建Body的树形结构。
  这种方式既避免了复杂的嵌套序列化，又能让遗传算法的交叉、变异操作直接在一维数组上完成，效率更高。

问题2：以下这类C#类结构是否适用于我的需求？ #

假设我能解决问题1，我或许可以从字符串（或某种一维结构）解析Genome。

public class Gene {
    public int ID;
    public string Name;
    public string Description;
    public Chromosome ChromosomeReference { get; set; }
    public Genome GenomeReference { get; set; }
    public Gene(string name, string desc) {
        Name = name; Description = desc;
    }
}
public class Gene<T> : Gene {
    public T Value;
    public Gene(string name, string desc = "") : base(name, desc) =>
        Value = default;
    public Gene(string name, T value, string desc = "") : this(name, desc) =>
        Value = value;
}

public class Chromosome {
    public int ID;
    public string Name;
    public string Description;
    private Genome _genomeRef;
    public Genome GenomeReference {
        get => _genomeRef;
        set {
            _genomeRef = value;
            foreach(Gene gen in GeneDict.Values) {
                gen.GenomeReference = value;
            }
        }
    }
    public Dictionary<string, Gene> GeneDict = new();
    public Chromosome(string name, string desc = "") {
        Name = name;
        Description = desc;
        GeneDict = new();
    }
    public Chromosome(string name, List<Gene> genes, string desc = "") : this(name, desc) {
        GeneDict = new(genes.Count);
        foreach(Gene gen in genes) {
            gen.ChromosomeReference = this;
            AddGene(gen);
        }
    }
    public Gene AddGene(Gene gene) {
        if(GeneDict.ContainsKey(gene.Name)) GeneDict[gene.Name] = gene;
        else GeneDict.Add(gene.Name, gene);
        return gene;
    }
}

public class Genome {
    public string Name;
    public string Description;
    public Dictionary<string, Chromosome> ChromosomeDict;
    public Genome(string name, string desc = "") {
        Name = name;
        Description = desc;
    }
    public Genome(string name, List<Chromosome> chromosomes, string desc = "") : this(name, desc) {
        ChromosomeDict = new(chromosomes.Count);
        foreach(Chromosome chro in chromosomes) {
            chro.GenomeReference = this;
            ChromosomeDict.Add(chro.Name, chro);
        }
    }
    public Chromosome AddChromosome(Chromosome chrom) {
        if(ChromosomeDict.ContainsKey(chrom.Name)) ChromosomeDict[chrom.Name] = chrom;
        else ChromosomeDict.Add(chrom.Name, chrom);
        return chrom;
    }
}

public class TestGenome : Genome {
    public TestGenome() : base("TestGenome", new()) {
        AddChromosome(new("Body", "Chromosome for the Body"));
        ChromosomeDict["Body"].AddGene(new Gene<float>("Radius", 3f, "Body radius."));
        for(int i = 0; i < 3; i++) {
            ChromosomeDict["Body"].AddGene(new Gene<float>($"Anchor{i}", i / 3f, $"Location of anchor point {i}"));
        }
    }
}

解答

这个结构基础可行，但有几个关键优化点需要补充，以适配遗传算法和Unity开发场景：

1. 泛型约束：给Gene<T>添加类型约束（如where T : struct, IConvertible），确保基因值是可序列化的数值类型，避免后续解析、交叉操作出现类型兼容问题。
2. ID自动生成：给Gene和Chromosome的ID字段添加自动生成逻辑（比如用Guid或全局递增整数），避免手动赋值导致的ID冲突问题。
3. 顺序维护：GeneDict用Dictionary方便按名称查找，但遗传算法操作需要固定顺序，建议新增List<Gene> Genes字段维护基因的添加顺序，确保扁平化时的一致性。
4. 循环引用处理：ChromosomeReference和GenomeReference会导致序列化时的循环引用，建议给这些字段添加[JsonIgnore]标记（如果用Newtonsoft.Json序列化），或者在序列化时只保存ID而非对象引用。
5. 基因类型标记：新增枚举GeneType（如Static/Observable/Controllable），给Gene添加该字段，方便后续快速筛选与神经网络交互的基因。

问题3：若采用上述类结构，如何表示数据结构以使其易于解析且适合交叉等操作？ #

解答

核心思路是将嵌套结构扁平化，分离元数据与基因值：

1. 扁平化基因序列：
   • 按固定顺序（比如先根部件，再子部件的深度优先顺序）遍历Genome的所有Chromosome，将每个Gene<T>.Value转换为统一数值类型（如float，非数值类型可编码为整数映射值），存入一维float[]数组。
   • 该数组就是遗传算法中用于交叉、变异的核心“基因组”，操作完全遵循一维数组的逻辑（比如单点交叉：随机选一个位置，交换两个基因组该位置后的所有元素；变异：随机选位置修改数值）。
2. 元数据存储：
   • 单独保存一份元数据，记录每个基因的位置索引、名称、类型、取值范围（如0~1、-π~π）、所属Chromosome的ParentID等信息。元数据只需保存一次，所有同类型的Genome共享该元数据。
3. 解析与重构：
   • 解析时，根据元数据的索引映射，将一维数组的数值还原到对应的Gene<T>.Value中，再通过ParentID重建Body的树形结构。
4. 序列化格式：
   • 用二进制格式序列化扁平化数组（效率高），或JSON格式（易调试），元数据可单独存为配置文件，避免重复存储。

问题4：最后，假设我用神经网络控制生成的Body，如何将部件属性与神经网络的输入输出关联？ #

解答

按观测输入和控制输出两类属性分别处理，结合Unity的生命周期和后续ML-Agents的集成需求：

1. 观测输入（神经网络感知）：
   • 筛选标记为Observable的Gene，收集其Value转换为float数组，作为神经网络的输入层。
   • 在Unity的Update或FixedUpdate中，定期更新该数组（比如包含部件的旋转角度、位置偏移、碰撞状态等）。
   • 若后续使用ML-Agents，可在Agent.CollectObservations()方法中调用AddObservation()添加这些数值。
2. 控制输出（神经网络驱动）：
   • 筛选标记为Controllable的Gene，将神经网络的输出数组元素一一映射到这些Gene的目标值。
   • 在Unity中添加平滑过渡逻辑（比如用Mathf.Lerp），将部件的当前属性值逐步过渡到目标值，避免刚体运动出现突兀变化。
   • 若使用ML-Agents，可在Agent.OnActionReceived()方法中接收输出值，直接赋值或过渡到对应的Gene属性。
3. 优化建议：
   • 对观测输入做归一化处理（比如将角度转换为-1~1的范围），提升神经网络的训练效率。
   • 给可控制的Gene设置取值范围约束（比如旋转角度限制在-90°~90°），避免神经网络输出异常值导致Body行为失控。

内容的提问来源于stack exchange，提问作者Martin Bocanegra