后续任务：
1.降低使用门槛，完善各类API，制作各类demo
2.扩展遗传算法，添加可配置的遗传参数，包括交换概率，突变概率，筛选方式，交叉方式，突变方式等
3....
20171226 完成第一个demo，坦克扫雷
核心代码参考：https://github.com/ArztSamuel/Applying_EANNs 参考书籍：游戏编程中的人工智能技术（详细的介绍了神经网络和遗传算法在游戏领域的应用，虽然有点老，但不失为一本很好的入门书籍）
将AIManager拖拽到场景中，构建自己的游戏管理类，如demo中的TanksManager脚本
#### 1.3一些回调
直接设置
创建自己的游戏实体类，并继承自Entity类
同时需要实现一些方法
关键函数是SetInputs和GetOutPuts
需要在这两个函数中配置游戏对象的输入和输出，输入可以认为是智能判断自身处境的条件，输入即是智能判断的结果
以demo中的坦克为例，我设置了4个输入和2个输出
4个输入分别为当前tank的速度，旋转，最近的地雷方位（让智能能够辨识最近的地雷在哪），最近的tank方位（防止多辆tank互相挤在一堆）
2个输出为tank的目标速度和位移，用于控制tank做出下一步动作
判断哪些行为是正确的，哪些是错误的，主要是通过分数加减的形式
在达成正确行为时可以增加实体的分数
以demo为例：
奖励机制为当tank吃到一个地雷时就增加它的分数
惩罚机制为当两个tank互相碰撞时就减少他们的分数
遗传参数的配置，选中管理类预制体，打开下图窗口即可编辑遗传和神经网络的相关参数，这里设置的输入参数和输出参数必须和实际相等
如果你对与遗传算法有一定的了解，可以根据需要改变以上三中策略
打开GeneticAlgorithm.GeneticOpetation脚本
可以看到这三种策略的方法是用委托绑定的，实现你自己的策略函数，直接修改委托的绑定对象，即可生效
