Нейроеволюція

Нейроеволю́ція — форма машинного навчання, яка використовує еволюційні алгоритми для тренування нейронних мереж. Цей підхід використовується наприклад в таких галузях як ігри і керування приводами роботів. У цих випадках досить просто вимірювати продуктивність нейромережі, у той час, як реалізувати навчання з учителем дуже важко або практично неможливо. Цей метод навчання відноситься до категорії методів навчання з підкріпленням.

Можливості

Існує велика кількість нейроеволюціонних алгоритмів, які діляться на дві групи. До першої відносяться алгоритми, які моделюють еволюцію ваг зв'язків між елементами нейромережі при заданій топології, до іншої — алгоритми, які крім еволюції ваг також моделюють еволюцію топології мережі.[1] Хоча і не існує загальноприйнятих термінів, прийнято додавання або видалення зв'язків в мережі в ході еволюції називається ускладненням або спрощенням відповідно. Мережі, в яких здійснюється еволюція як зв'язків, так і топології, називаються TWEANNs (англ. Topology & Weight Evolving Artificial Neural Networks).

Пряме і непряме кодування нейромереж

Еволюційні алгоритми маніпулюють безліччю генотипів. У нейроеволюціі генотип — це певне представляння нейромережі (фенотип). У схемі з прямим кодуванням генотип еквівалентний фенотипу, нейрони і зв'язки безпосередньо вказані в генотипі. Навпаки, у схемі з непрямим кодуванням в генотипі вказані правила і структури для створення нейромережі[2].

Непряме кодування застосовується для досягнення наступних цілей[2][3][4][5]:

  • Можливість формування і використання рекурсивних структур і паттернів.
  • Перетворення фенотипу в генотип меншого розміру, зменшення простору пошуку.
  • Відображення простору пошуку на модель проблемної області знань.

Див. також

Література

  1. A comparison between two such methods applied to robot control can be found here Архівовано 5 липня 2010 у Wayback Machine.
  2. Yohannes Kassahun, Mark Edgington, Jan Hendrik Metzen, Gerald Sommer and Frank Kirchner. Common Genetic Encoding for Both Direct and Indirect Encodings of Networks. In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO 2007), London, UK, 1029—1036, 2007.
  3. Gauci, Stanley. Generating Large-Scale Neural Networks Through Discovering Geometric Regularities. Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-2007). New York, NY: ACM.
  4. F. Gruau. Neural Network Synthesis Using Cellular Encoding and the Genetic Algorithm. PhD thesis, École Normale Supérieure de Lyon, Laboratoire de l'Informatique du Parallelisme, France, January 1994.
  5. Stanley, Miikkulainen. A Taxonomy for Artificial Embryogeny. The MIT Press Journals, 2003.
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.