Генетический алгоритм на основе промотора
Генетический алгоритм на основе промотора ( PBGA ) — это генетический алгоритм нейроэволюции, разработанный Ф. Белласом и Р. Дж. Дуро в Интегрированной группе инженерных исследований (GII) Университета Коруньи в Испании. Он развивает искусственные нейронные сети с прямой связью (ИНС) переменного размера, которые кодируются 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
[ редактировать ]Базовой единицей PBGA является нейрон со всеми его входящими соединениями, как показано на следующем рисунке:
Генотип и базовой единицы представляет собой набор действительных весов, за которыми следуют параметры нейрона поле целочисленного значения, которое определяет значение гена-промотора и, следовательно, экспрессию единицы. Объединив единицы этого типа, мы можем построить целую сеть.
При таком кодировании предполагается, что невыраженная информация по-прежнему передается генотипом в эволюции, но она защищена от прямого селективного давления, поддерживая таким образом разнообразие в популяции, что было предпосылкой разработки этого алгоритма. Таким образом, устанавливается четкое различие между пространством поиска и пространством решений, позволяющее сохранить информацию, полученную и закодированную в генотипическом представлении, путем отключения промоторных генов.
Результаты
[ редактировать ]Первоначально PBGA был представлен [1] [2] в области автономной робототехники, в частности при изучении моделей окружающей среды робота в режиме реального времени.
Он использовался 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, хранящей успешно полученные модели мира, является оптимальной стратегией адаптации в динамических средах.
Недавно PBGA предоставил результаты, которые превосходят другие нейроэволюционные алгоритмы в нестационарных задачах, где функция приспособленности меняется во времени. [4]
Ссылки
[ редактировать ]- ^ 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, Учеб. 9-я Международная конференция по нейронной обработке информации
- ^ Ф. Беллас, А. Фаинья, А. Прието и Р. Дж. Дуро (2006), Применение адаптивного обучения эволюционной когнитивной архитектуры MDB в физических агентах , Конспекты лекций по искусственному интеллекту, том 4095, 434-445
- ^ Ф. Беллас, Дж. А. Бесерра, Р. Дж. Дуро, (2009), Использование промоторов и функциональных интронов в генетических алгоритмах для нейроэволюционного обучения в нестационарных задачах , Neurocomputing 72, 2134-2145