利用岛屿灭绝与重种群改进神经进化
神经与进化计算
2020-05-18 v1 人工智能
摘要
神经进化通常使用物种形成策略来更好地探索神经网络架构的搜索空间。其中一种物种形成策略是使用岛屿，这在提升分布式进化算法的性能与收敛性方面也很流行。然而，在该方法中，某些岛屿可能陷入停滞而无法找到新的最优解。本文提出利用灭绝事件与岛屿重种群来避免过早收敛。我们使用进化式增强记忆模型探索（EXAMM）神经进化算法对此进行探究。在该策略中，周期性地杀死表现最差岛屿的所有成员，并用全局最优基因组的突变版本重新填充。该基于岛屿的策略还与 NEAT（拓扑增强神经进化）的物种形成策略进行了比较。实验使用两个不同真实世界时间序列数据集（燃煤电厂与航空飞行数据）进行。结果表明，在统计显著性下，该岛屿灭绝与重种群策略比 EXAMM 原有基于岛屿的策略和 NEAT 的物种形成策略进化出更优的全局最优基因组。
引用
@article{arxiv.2005.07376,
title = {Improving Neuroevolution Using Island Extinction and Repopulation},
author = {Zimeng Lyu and Joshua Karns and AbdElRahman ElSaid and Travis Desell},
journal= {arXiv preprint arXiv:2005.07376},
year = {2020}
}