面向多容器质量-多样性算法的集成特征提取
神经与进化计算
2021-05-04 v1
摘要
质量-多样性（Quality-Diversity）算法搜索大量多样且高性能的解集合，而非像典型优化方法那样仅搜索单一解。它们特别适用于可以以多种不同方式解决的模态问题，例如复杂强化学习或机器人任务。然而，这些方法高度依赖于量化解行为相似性的特征描述符（FDs）的选择。虽然 FDs 通常需要手工设计，但近期研究提出了通过使用特征提取技术（如 PCA 或自编码器）从先前探索的解中学习问题表示来自动定义它们的方法。在此，我们将这些方法扩展到更复杂的问题，这些问题无法仅依靠单一表示高效探索，而需要一组多样且互补的表示。我们描述了 MC-AURORA，一种质量-多样性方法，它同时优化多个解集合，每个集合具有一组不同的 FDs，而这些 FDs 又由模块化自编码器的集成自动定义。我们表明，该方法产生的解比单表示方法产生的解更具多样性。
引用
@article{arxiv.2105.00682,
title = {Ensemble Feature Extraction for Multi-Container Quality-Diversity Algorithms},
author = {Leo Cazenille},
journal= {arXiv preprint arXiv:2105.00682},
year = {2021}
}
备注
Draft version. 10 pages, 4 figures, 4 tables, Accepted at the GECCO2021 Conference