基于新颖性搜索的群体机器人系统演化

新颖性搜索（novelty search）是近期出现的一种人工演化技术，对传统演化方法提出了挑战。在新颖性搜索中，解的奖励依据是其新颖性，而非其相对于预定义目标的质量。由于缺乏预定义目标，避免了由欺骗性适应度函数导致的早熟收敛。本文将新颖性搜索与 NEAT 相结合，应用于同质机器人群体的神经控制器演化。我们的实证研究在仿真环境中进行，采用了常见的群体机器人任务——聚集，以及更具挑战性的任务——共享能量充电站。结果表明，新颖性搜索不受欺骗影响，在引导演化启动方面尤为有效，能够找到比基于适应度的演化复杂度更低的解，并能为同一任务找到广泛多样的解。即使在非欺骗性设置中，新颖性搜索获得的解质量也与传统基于适应度的演化相当。我们的研究还涵盖了与基于适应度的演化协同工作的新颖性搜索变体，以结合新颖性搜索的探索特性与基于目标的演化的利用特性。我们证明这些变体能进一步提升新颖性搜索的性能。总体而言，我们的研究表明，新颖性搜索是机器人群体控制器演化的一种有前景的替代方案。