Visão Geral

1. Mapa gerado aleatoriamento usando Perlin Noise
2. Técnicas de otimização como Chunk Drawing
3. Regressão Logística
4. Redes Neurais Genéticas como Inteligencia Artificial
5. Dados Salvos em DataFrames (Pandas) e Guardados em arquivos criptografados (pickle)
6. Visualizalçao dos Dados em Pandas/Matplotlib/Seaborn/Numpy

Cada entidade (animal), precisa de comida, água e descanso para sobreviver. Podem também, se reproduzir quando o nível de "amor" está alto e tem como velocidade o atributo mais importante. As entidades também contam com um gene e um multiplicador aleatório de fome, sede, velocidade, amor e descanso. O gene foi resultado de muitas horas de treinamento de uma rede neural genética chamada (NEAT).

O treinamento da rede neural NEAT consiste em colocar uma grande população no mapa, dar um gene unico para cada indivíduo e deixar que eles usem a rede neural como tomador de decisão em como agir (quando comer, beber e etc...). Quando toda a população morre ou demora muita para morrer, a simulação é resetada e uma nova população é colocada no mundo, mas dessa vez, os genes dos melhores animais da geração passada estarão mais presentes na geração atual. E assim o treinamento corre por Diversas geraçoes, até que um grupo de indivíduos "Perfeitos" sejam encontrados e estes servem como Modelo para a simulação final.

Todos os Arquivos .txt marcados com [data] podem ser abertos com o data_visu.py, modificando o diretorio de leitura na linha 15.

• Pandas
• Numpy
• Matplotlib
• Pygame
• Neat Python
• Pathfinfing
• Sklearn (if you use Logistic Regression IA.)