Удосконалення HybrID Як найкраще поєднати непряме та пряме кодування в еволюційних алгоритмах

Лабораторія штучного інтелекту, що розвивається, Університет Вайомінгу, Ларамі, Вайомінг, Сполучені Штати Америки

Цифри

Анотація

Цитування: Helms L, Clune J (2017) Удосконалення HybrID: Як найкраще поєднувати непряме та пряме кодування в еволюційних алгоритмах. PLOS ONE 12 (3): e0174635. https://doi.org/10.1371/journal.pone.0174635

Редактор: Йонтанг Ши, Університет Нанкаї, КИТАЙ

Отримано: 19 липня 2016 р .; Прийнято: 12 березня 2017 р .; Опубліковано: 23 квітня 2017 р

Наявність даних: Геноми чемпіонів, дані про фізичну підготовку та конфігураційні файли, що використовуються для формування популяцій, доступні з цифрового сховища Dryad, doi: 10.5061/dryad.7c4g3.

Фінансування: JC був підтриманий нагородою Національного наукового фонду CAREER (CAREER: 1453549) (http://www.nsf.gov/funding/pgm_summ.jsp?pims_id=503214). Фінансисти не мали жодної ролі у розробці досліджень, зборі та аналізі даних, прийнятті рішення про публікацію чи підготовці рукопису.

Конкуруючі інтереси: Автори заявили, що не існує конкуруючих інтересів.

Вступ

Еволюційні алгоритми (ЕА) автоматично шукають простір можливих рішень для повернення високоефективних рішень [1]. Вони регулярно виробляють нові, ефективні рішення багатьох складних проблем, і часто перевершують людських інженерів [2–12]. Однією з важливих сфер є розвиток штучних нейронних мереж (ANN), які є обчислювальними моделями, натхненними можливостями обробки інформації природного мозку [1]. ANN, як правило, складні для побудови вручну, але вони здатні вирішувати складні обчислювальні завдання, включаючи розпізнавання об'єктів і символів для завдань комп'ютерного зору та управління рухом для роботів [13–15]. EA можуть оптимізувати ваги та архітектуру ANN і успішно розробили ANN для різноманітних додатків, включаючи контролери роботів [4, 6, 15–18] та розпізнавання шаблонів [5, 19–21].

Принцип регулярності проектування є ключем до успіху експертів з регулярних проблем [22]. Регулярність відноситься до стисливості інформації, що описує структуру, і, як правило, включає симетрії та повторення тем дизайну, зі змінами та без змін [23, 24]. Багато природних організмів демонструють регулярність завдяки симетрії ліворуч-праворуч і повторення дизайнерських мотивів, що виникають в результаті повторного використання генетичної інформації при виробленні фенотипу, що дозволяє описувати складні фенотипи компактними геномами.

Інженерні проблеми містять закономірності різного ступеня. Наприклад, спроба запам'ятати потік випадкових чисел є абсолютно нерегулярною проблемою, тоді як запам'ятовування значення в потоці чисел, що виводиться з функції синуса, є регулярним. На відміну від звичайного прикладу, числа у випадковому потоці не мають відношення до інших чисел у потоці для використання у розв’язанні. Проблеми реального світу не є цілком регулярними, і ефективні алгоритми повинні як використовувати закономірності, так і обробляти порушення, щоб добре працювати [24]. Непряме кодування має труднощі з генеруванням фенотипів з нерегулярними елементами, що негативно позначається на їх роботі щодо нерегулярних проблем. [24, 31].