Как создать нейронную сеть для выполнения генетического 2D алгоритма?

Выбор подхода зависит от характера данных и требований к модели.

Если данные имеют фиксированное количество объектов N и количество объектов не меняется от примера к примеру, можно использовать Padding. В этом случае все значения x и y могут быть представлены в виде двух отдельных матриц размерности N x max(N). Дополнительные входы будут заполнены нулями.

Если объекты имеют разное количество параметров или количество объектов неизвестно, то использование фиксированного усредненного вектора может быть более удобным подходом. В этом случае все x и y значения можно объединить в один вектор размерности 2N. Значения x и y будут располагаться в соседних ячейках вектора.

Если объекты имеют определенное пространственное распределение, то разбиение на квадраты или использование лучей может быть предпочтительным. При разбиении на квадраты плоскость делится на множество квадратных областей, и параметры всех объектов, попавших в каждую область, могут быть усреднены. При использовании лучей объекты классифицируются в зависимости от их попадания в определенный луч, и параметры пересекающих луч объектов передаются на вход нейросети.

Если объекты имеют зависимость от времени, то их можно разделить на временные интервалы и использовать Timedistributed Wrapper в TensorFlow, чтобы передать данные в нейросеть для каждого интервала времени.

В общем случае, для выбора оптимального метода необходимо провести исследование данных и оценить, какой подход лучше соответствует особенностям задачи и требованиям к модели.

а) Входные данные для нейросети представляют собой N блоков фиксированной длины. Например, для N ботов это могут быть координаты x и y, то есть вектор размером [N, 2].
б) Внутреннее состояние нейросети инициализируется перед каждым запуском и может представлять собой массив длиной K. В конкретном случае, можно использовать свои собственные координаты и другие параметры, такие как число ботов.
в) Нейросеть состоит из двух частей: рекуррентной и финальной. Рекуррентная часть последовательно обрабатывает входные данные, принимая на вход массив внутреннего состояния и одну из строк входного массива (в данном случае - внутреннее состояние нейросети и 2 числа). После обработки каждой строки на выходе получается новый массив внутреннего состояния. Например, на входе 12 чисел, на выходе - 10 чисел.
После обработки всех строк входного массива финальная часть нейросети получает на вход внутреннее состояние и выдаёт окончательный прогноз или результат. Её структура и конфигурация могут быть любыми. Например, на вход она принимает массив внутреннего состояния длиной 10 и выдаёт финальный результат, такой как угол и скорость.
Надеюсь, теперь всё понятно.