Генетический алгоритм на основе промотора - Promoter based genetic algorithm
Генетический алгоритм на основе промотора (PBGA) это генетический алгоритм для нейроэволюции, разработанной Ф. Белласом и Р.Дж. Дуро в Интегрированная группа инженерных исследований (GII) в университете Корунья, Испания. Он развивается с прямой связью переменного размера искусственные нейронные сети (ИНС), которые закодированы в последовательности генов для построения базовой единицы 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
Базовым блоком PBGA является нейрон со всеми его входящими соединениями, как показано на следующем рисунке:
В генотип базовой единицы - это набор действительных весов, за которыми следуют параметры нейрон и продолжается целочисленным полем, которое определяет значение гена промотора и, следовательно, выражение единицы. Объединив блоки этого типа, мы можем построить всю сеть.
С помощью этого кодирования налагается, что информация, которая не выражается, по-прежнему переносится генотипом в процессе эволюции, но она защищена от прямого избирательного давления, поддерживая таким образом разнообразие в популяции, что было предпосылкой дизайна этого алгоритма. Таким образом, между пространством поиска и пространством решений устанавливается четкое различие, позволяющее сохранить информацию, полученную и закодированную в генотипическое представление, путем отключения промоторных генов.
Полученные результаты
PBGA был первоначально представлен[1][2] в области автономной робототехники, в частности, в обучении в реальном времени моделей окружающей среды робота.
Он был использован внутри Многоуровневый дарвинистский мозг (MDB) когнитивный механизм, разработанный 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]
Рекомендации
- ^ Ф. Беллас, Р. Дж. Дуро, (2002) Статистически нейтральный ГА на основе промотора для эволюции с динамическими функциями приспособленности, Proc. Международной конференции IASTED Искусственный интеллект и приложения
- ^ Ф. Беллас, Р. Дж. Дуро, (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, Р.Дж. Дуро (2006), Применение адаптивного обучения эволюционной когнитивной архитектуры MDB в физических агентах, Конспект лекций по искусственному интеллекту, т. 4095, 434-445
- ^ Ф. Беллас, Дж. А. Бесерра, Р. Дж. Дуро, (2009), Использование промоторов и функциональных интронов в генетических алгоритмах нейроэволюционного обучения в нестационарных задачах, Нейрокомпьютинг 72, 2134-2145