Генетический алгоритм на основе промотора ( PBGA ) - это генетический алгоритм нейроэволюции, разработанный Ф. Белласом и Р. Дж. Дуро в Интегрированной группе инженерных исследований (GII) Университета Корунья в Испании. Он развивает искусственные нейронные сети с прямой связью (ИНС) переменного размера , которые кодируются в последовательности генов для построения базового блока ИНС. Каждому из этих блоков предшествует промотор гена, действующий как переключатель включения / выключения, который определяет, будет ли эта конкретная единица экспрессироваться или нет.
Основы PBGA [ править ]
Базовая единица PBGA - нейрон со всеми его входящими соединениями, как показано на следующем рисунке:
Генотип базового блока представляет собой набор реальных оцененных весов с последующих параметрами нейрона и протекали с помощью нормированного поля целого числа, определяющего значение промотора гена и, следовательно, экспрессии единицы. Объединив блоки этого типа, мы можем построить всю сеть.
С помощью этого кодирования налагается, что информация, которая не выражается, все еще переносится генотипом в эволюции, но она защищена от прямого избирательного давления, поддерживая таким образом разнообразие в популяции, что было предпосылкой разработки этого алгоритма. Таким образом, между пространством поиска и пространством решений устанавливается четкое различие, позволяющее сохранить информацию, полученную и закодированную в генотипическом представлении, путем отключения промоторных генов.
Результаты [ править ]
PBGA был первоначально представлен [1] [2] в области автономной робототехники, в частности, при обучении в реальном времени моделей окружающей среды робота.
Он был использован в когнитивном механизме многоуровневого дарвинистского мозга (MDB), разработанном в GII для онлайн-обучения реальных роботов. В другой статье [3] показано, как применение PBGA вместе с внешней памятью, в которой хранятся успешно полученные модели мира, является оптимальной стратегией для адаптации в динамических средах.
Недавно PBGA предоставил результаты, которые превосходят другие нейроэволюционные алгоритмы в нестационарных задачах, где функция приспособленности изменяется во времени. [4]
Ссылки [ править ]
- ^ F. Bellas, RJ Duro, (2002) Статистически нейтральный GA на основе промотора для эволюции с динамическими функциями приспособленности , Proc. Международной конференции IASTED Искусственный интеллект и приложения
- ^ F. Bellas, RJ Duro, (2002) Моделирование мира с помощью статистически нейтральных PBGA . Улучшение и реальные приложения, Proc. 9-я Международная конференция по обработке нейронной информации
- ^ Ф. Беллас, А. Файнья, А. Прието и Р. Дж. Дуро (2006), Применение адаптивного обучения эволюционной когнитивной архитектуры MDB в физических агентах , Лекционные заметки по искусственному интеллекту, том 4095, 434-445
- ^ Ф. Беллас, JA Becerra, RJ Duro, (2009), Использование промоторов и функциональных интронов в генетических алгоритмах для нейроэволюционного обучения в нестационарных задачах , Neurocomputing 72, 2134-2145
Внешние ссылки [ править ]
- Grupo Integrado de Ingeniería
- Сайт Франсиско Белласа
- Сайт Ричарда Дж. Дуро
