Îmbunătățirea HybrID Cum să combinați cel mai bine codarea indirectă și directă în algoritmi evolutivi

Laborator de inteligență artificială în evoluție a afilierii, Universitatea din Wyoming, Laramie, Wyoming, Statele Unite ale Americii

Cifre

Abstract

Citare: Helms L, Clune J (2017) Îmbunătățirea hibridului: Cum se combină cel mai bine codarea indirectă și directă în algoritmi evolutivi. PLoS ONE 12 (3): e0174635. https://doi.org/10.1371/journal.pone.0174635

Editor: Yongtang Shi, Universitatea Nankai, CHINA

Primit: 19 iulie 2016; Admis: 12 martie 2017; Publicat: 23 martie 2017

Disponibilitatea datelor: Genomii campioni, datele de fitness și fișierele de configurare utilizate pentru a genera populațiile sunt disponibile din Dryad Digital Repository, doi: 10.5061/dryad.7c4g3.

Finanțarea: JC a fost susținut de un premiu CAREER al National Science Foundation (CAREER: 1453549) (http://www.nsf.gov/funding/pgm_summ.jsp?pims_id=503214). Finanțatorii nu au avut niciun rol în proiectarea studiului, colectarea și analiza datelor, decizia de publicare sau pregătirea manuscrisului.

Interese concurente: Autorii au declarat că nu există interese concurente.

Introducere

Algoritmii evolutivi (EA) caută automat un spațiu de soluții posibile pentru a returna soluții performante [1]. Acestea produc în mod obișnuit soluții noi și eficiente la multe probleme provocatoare și depășesc deseori inginerii umani [2-12]. Un domeniu important îl constituie rețelele neuronale artificiale (ANN) în evoluție, care sunt modele de calcul inspirate de capacitățile de procesare a informațiilor din creierele naturale [1]. ANN-urile sunt de obicei complicate de construit manual, dar sunt capabile să rezolve probleme de calcul dificile, inclusiv recunoașterea obiectelor și a simbolurilor pentru sarcini de viziune pe computer și controlul locomoției pentru roboți [13-15]. EA-urile pot optimiza greutățile și arhitectura ANN-urilor și au proiectat cu succes ANN-urile pentru o varietate de aplicații, inclusiv controlere de roboți [4, 6, 15-18] și recunoașterea modelelor [5, 19-21].

Principiul de proiectare al regularității este esențial pentru succesul EA în problemele obișnuite [22]. Regularitatea se referă la compresibilitatea informațiilor care descriu o structură și implică de obicei simetriile și repetarea temelor de proiectare, cu și fără variație [23, 24]. Multe organisme naturale prezintă regularitate prin simetrie stânga-dreapta și repetarea motivelor de proiectare rezultate din reutilizarea informațiilor genetice atunci când se produce un fenotip, ceea ce permite descrierea fenotipurilor complexe de către genomii compacti.

Problemele de inginerie conțin regularități în grade diferite. De exemplu, încercarea de a memora un flux de numere aleatorii este o problemă complet neregulată, în timp ce memorarea unei valori într-un flux de numere ieșite dintr-o funcție sinusoidală este regulată. Spre deosebire de exemplul obișnuit, numerele dintr-un flux aleatoriu nu au relații cu alte numere din flux de exploatat în soluție. Problemele din lumea reală nu sunt în întregime obișnuite, iar algoritmii eficienți trebuie să exploateze atât regularitățile, cât și să gestioneze neregulile pentru a se comporta bine [24]. Codificările indirecte au dificultăți în generarea de fenotipuri cu elemente neregulate, ceea ce afectează negativ performanța lor asupra problemelor neregulate. [24, 31].