神经网络驱动的生态系统演化模拟器

本文介绍了一个融合神经网络与遗传算法的生态系统模拟项目，旨在通过AI技术重现捕食者-猎物-植物的动态演化过程。项目提供Web界面与桌面端双模式体验，核心是让虚拟生物通过神经网络决策行为，并通过遗传算法实现进化，为理解复杂系统、进化计算等提供直观工具。原项目由sanikprogramist维护，来源为GitHub（链接：https://github.com/sanikprogramist/Neural-Network-Ecosystem-Stimulation），发布时间2026年6月4日。

自然界生态系统存在复杂相互作用，如何通过计算模型重现这些动态是AI与计算生物学交叉领域的经典课题。本项目回应这一需求，构建演化中的生态系统模拟器，让虚拟生物（食草动物、捕食者）以神经网络为"大脑"决策行为，并通过遗传算法驱动进化，探索生命与智能的本质。

项目核心机制包括：1. 神经网络驱动行为：动物接收环境输入（视觉、饥饿状态等），输出移动、攻击等决策，行为非固定模式而是适应性策略；2. 遗传算法进化：通过变异（神经网络权重随机变化）、自然选择（适应者存活繁殖）、适应度评估（存活时间、捕食成功率等）推动种群演化；3. 三级食物链平衡：植物（基础资源）→食草动物→捕食者，系统自发趋向动态平衡，模拟真实生态种群波动。

技术栈包括Python3.10+、PyTorch（神经网络）、FastAPI+Uvicorn（Web后端）、Pygame（桌面可视化）等。代码结构有main.py（入口）、class_world.py（世界逻辑）、app.py（FastAPI服务）等。Web端通过FastAPI暴露/state（模拟状态）、/chart（统计数据）、/step（推进模拟）等端点，支持远程观察与实验管理。

桌面端（Pygame模式）支持R键切换射线视觉、空格键取消选中动物、S键生成更多生物、鼠标点击查看动物详情等操作。数据可视化包括种群动态图（食草动物/捕食者数量变化）和适应度分布图（种群适应度统计），直观展示生态波动与进化效果。

教育上，是理解复杂系统、涌现行为、进化计算的教学工具，可观察简单规则产生复杂行为、自然选择塑造种群等现象。研究上，是可扩展的进化算法实验平台，可修改神经网络架构、选择压力参数、环境条件等。同时，为AI与生物学交叉研究提供启发，探索人工生命本质。

环境准备：安装依赖（pip install numpy pandas torch scipy fastapi uvicorn）。Web模式：启动uvicorn app:app --reload，访问http://127.0.0.1:8000。桌面模式：运行python main.py。

项目启示：1. 简单神经网络可驱动复杂行为；2. 进化（变异+选择）能自发产生适应策略；3. 个体简单规则汇聚成种群复杂动态（涌现性）。未来可用于教学演示、算法研究或好奇心探索，是人工生命与进化计算的良好起点。