神经拓扑结构的进化获取
编辑神经拓扑结构的进化获取(EANT/EANT2)是一种进化的强化学习方法,可以进化人工神经网络的拓扑结构和权重。它与Angeline等人以及Stanley和Miikkulainen的工作密切相关。与Angeline等人的工作一样,该方法使用了一种来自进化策略和进化编程的参数突变(现在使用EANT2中进化策略的最先进形式CMA-ES),其中自适应步长被用于优化神经网络的权重。与Stanley(NEAT)的工作类似,该方法从最小的结构开始,沿着进化路径获得复杂性。
EANT对神经进化的贡献
编辑尽管有这两个特性,但该方法有以下重要特点,使其区别于以前的神经进化工作。它引入了一种叫做共同遗传编码(CGE)的遗传编码,在同一理论框架内处理神经网络的直接和间接编码。该编码具有重要的特性,使其适用于神经网络的进化。它是完整的,因为它能够代表所有类型的有效表型网络。它是封闭的,即每个有效的基因型代表一个有效的表型。(同样,在结构突变和交叉等遗传运算符下,编码也是封闭的。)这些特性已经在《中国科学报》上得到了正式的证明。为了进化神经网络的结构和权重,使用了一个进化过程,其中结构的探索是在一个较大的时间尺度上执行的(结构探索),而对现有结构的利用是在一个较小的时间尺度上完成的(结构利用)。
在结构探索阶段,新的神经结构是通过向作为起点的初始最小网络逐步添加新的结构而开发的。在结构开发阶段,使用进化策略对当前可用结构的权重进行优化。性能EANT已经在一些基准问题上进行了测试,如双极平衡问题和RoboCupkeepaway基准问题。在所有的测试中,EANT被发现表现非常好。此外,EANT的较新版本,即EANT2,在视觉伺服任务上进行了测试,发现其性能优于NEAT和传统的迭代高斯-牛顿方法。进一步的实验包括对一个分类问题的结果
内容由匿名用户提供,本内容不代表vibaike.com立场,内容投诉举报请联系vibaike.com客服。如若转载,请注明出处:https://vibaike.com/163702/