通过逆向编码树进化神经网络
神经与进化计算
2021-10-11 v2 人工智能
机器学习
系统与控制
系统与控制
种群与进化
摘要
神经进化（NeuroEvolution）是最具竞争力的进化学习框架之一，用于设计特定任务（如逻辑电路设计与数字游戏）中的新型神经网络。然而，诸如增强拓扑神经进化（NEAT）等基准方法的应用仍面临挑战，体现在计算成本高与搜索时间效率低。本文推进了一种方法，其引入一种称为逆向编码树（RET）的拓扑边编码方式，以高效进化可扩展神经网络。利用 RET，设计了两类方法——基于二分搜索编码的 NEAT（Bi-NEAT）与基于黄金分割搜索编码的 NEAT（GS-NEAT）——以解决逻辑门、Cartpole 与 Lunar Lander 等基准连续学习环境中的问题，并以经典 NEAT 与 FS-NEAT 为基线进行测试。此外，我们进行了鲁棒性测试以评估所提 NEAT 算法的韧性。结果表明，两种所提策略均带来性能提升，表现为（1）在有限时间步内获得更高累积奖励；（2）在目标环境中以更少回合解决问题；（3）在噪声扰动下保持自适应鲁棒性，并在所有测试案例中优于基线。我们的分析还表明 RET 为动态环境中的未来研究方向提供了潜力。代码见 https://github.com/HaolingZHANG/ReverseEncodingTree。
引用
@article{arxiv.2002.00539,
title = {Evolving Neural Networks through a Reverse Encoding Tree},
author = {Haoling Zhang and Chao-Han Huck Yang and Hector Zenil and Narsis A. Kiani and Yue Shen and Jesper N. Tegner},
journal= {arXiv preprint arXiv:2002.00539},
year = {2021}
}
备注
Accepted to IEEE Congress on Evolutionary Computation (IEEE CEC) 2020. Lecture Presentation