Evolutionaire algoritmen (EA's) zijn ontworpen om het gedrag en de evolutie van biologische organismen te repliceren en tegelijkertijd computerproblemen op te lossen. In recente jaren, veel onderzoekers hebben EA's ontwikkeld en gebruikt om verschillende optimalisatietaken aan te pakken.

Eerdere studies hebben ook het gebruik van deze algoritmen onderzocht voor het leren van de topologie en verbindingsgewichten van neurale netwerken die robots of virtuele agenten aandrijven. Wanneer toegepast in deze context, EA's kunnen tal van voordelen hebben, bijvoorbeeld het verbeteren van de prestaties van kunstmatige intelligentie (AI) -agenten en het verbeteren van ons huidige begrip van biologische systemen.

Tot dusver, echter, evolutionaire robotica-toepassingen in de echte wereld waren schaars, met zeer weinig studies die erin slagen om complex gedrag te produceren met behulp van EA's. Onderzoekers van de Nottingham Trent University en het Max Planck Institute of Mathematics in the Sciences hebben onlangs een nieuwe benadering ontwikkeld om neurale netwerken te ontwikkelen met een aanhoudende lineaire groei in de complexiteit van hun gedrag.

"Als we een aanhoudende lineaire groei van complexiteit willen tijdens de evolutie, we moeten ervoor zorgen dat de eigenschappen van de omgeving waarin evolutie plaatsvindt, inclusief de populatiestructuur en de eigenschappen van de neurale netwerken die relevant zijn voor de toegepaste mutatie-operators, gemiddeld constant blijven gedurende de evolutionaire tijd, "De onderzoekers verklaarden in hun paper. "Het bevriezen van oude netwerkstructuren is een methode die hierbij helpt, maar zoals de hier gepresenteerde onderzoeken zullen aantonen, het is op zichzelf niet voldoende en zelfs niet de belangrijkste bijdrage aan het bereiken van het doel."

In hun studie hebben de onderzoekers concentreerden zich op een taak waarbij een robotagent zo lang mogelijk een vooraf gedefinieerd traject op een oneindig 2D-vlak moet volgen, die ze de 'trajectvolgende taak' noemen. In hun versie van deze taak, de agent heeft via zijn sensoren geen informatie gekregen over waar hij zich zou moeten bevinden. Als het te ver van het traject is, echter, de agent "sterft". In deze context, evolutie zou de agent in staat moeten stellen zich aan deze taak aan te passen en te leren het traject te volgen met behulp van open-lusbesturing.

Om een ​​lineaire groei in de complexiteit van het evolutionaire gedrag van de agent te bereiken tijdens het uitvoeren van deze taak, de onderzoekers voegden vier belangrijke functies toe aan standaardmethoden voor het ontwikkelen van neurale netwerken. Eigenlijk, ze bevroor de eerder ontwikkelde structuur van het netwerk, terwijl ook tijdelijke steigers worden toegevoegd, een homogene overdrachtsfunctie voor outputknooppunten en mutaties die nieuwe paden naar outputs creëren.

Hoewel het toevoegen van mutaties aan de netwerken en het veranderen van de overdrachtsfuncties van uitgangen tot enige verbetering van de prestaties leidden, ze ontdekten dat de meest significante verbetering verband hield met het gebruik van steigers. Dit suggereert dat standaard neurale netwerken niet bijzonder goed zijn in het produceren van gedrag dat in de loop van de tijd varieert op een manier die gemakkelijk toegankelijk is voor evolutie.

In hun krant de onderzoekers stellen voor dat neurale netwerken aangevuld met steigers een haalbare oplossing kunnen zijn om steeds complexer gedrag en evolutie in neurale netwerken te bereiken. In de toekomst, de benadering die ze presenteerden zou de ontwikkeling van nieuwe tools kunnen helpen om neurale netwerken te ontwikkelen voor robotbesturing en andere taken.

"Algemeen, geëvolueerde complexiteit is tot twee ordes van grootte hoger dan die bereikt door standaardmethoden in de experimenten die we hebben gerapporteerd, met als belangrijkste beperkende factor voor verdere groei de beschikbare looptijd, " schreven de onderzoekers in hun paper. "Dus, de reeks methoden die hier worden voorgesteld, belooft een nuttige aanvulling te zijn op verschillende huidige neuro-evolutiemethoden."

© 2019 Wetenschap X Netwerk