Optimering av ANN
Genom reduktion av antalet vikter
Artificiella neurala nätverk (ANN) kan vara en bra teknik för att skapa intressanta datorstyrda motståndare i spel och då spel är en väldigt prestandakritisk typ av applikation så är det viktigt att optimera alla delar av ett spel. Detta arbete tittar närmare på huruvida det går att ta bort nätverkskopplingar hos ett ANN i optimeringssyfte och fortfarande behålla ett ANN:s förmåga att utföra sin uppgift.Under experimenten används två olika metoder för att avgöra vilken vikt som ska tas bort. ANN:ets förmåga graderas efter hur högt fitnessvärde det får i den genetiska algoritm som från början lärt upp den. Vidare analyseras sambandet mellan antalet borttagna vikter och ANN:ets fitnessvärde.Resultatet visar tyder på att en viss reduktion av vikter kan öka ANN:ets förmåga att utföra sin uppgift. Efter att antalet borttagna vikter ökar, minskar ANN:ets förmåga att prestera. Experimenten tyder dock på att minskningen ofta inte är dramatisk, utan ANN:et i experimenten ofta kan utföra delar av sin uppgift även med stora delar av nätverkets vikter borttagna.