神经网络拓扑的多准则演化：在自治系统中平衡经验与性能
神经与进化计算
2018-07-24 v1
摘要
自治系统中多数人工神经网络（ANN）实现采用固定/用户指定的网络拓扑，导致次优性能与低可移植性。现有的拓扑增强神经演化（NEAT）范式通过允许网络拓扑与连接权重在演化过程中同时优化，提供了一种有力替代。然而，多数 NEAT 实现仅允许考虑单一目标。如何可处理地引入减轻对训练场景过拟合的拓扑多样化问题也依然存在。为弥补这些不足，本文开发了一种多目标神经演化算法。在采用 NEAT 基本要素的同时，对选择、物种形成和变异过程做了重要修改。以小型机器人路径规划应用为背景，推导了一种经验增益准则，用以概括系统所遇到的多样局部环境的数量。该准则促进支持探索的基因演化，从而力求比仅性能最大化从更小的任务场景集合中泛化。在两种不同小型机器人案例上评估了单目标（优化性能）与多目标（优化性能与经验增益）神经演化方法的有效性，观察到通过多目标优化获得的 ANN 在未见场景中提供更优性能。
引用
@article{arxiv.1807.07979,
title = {Multi-criteria Evolution of Neural Network Topologies: Balancing Experience and Performance in Autonomous Systems},
author = {Sharat Chidambaran and Amir Behjat and Souma Chowdhury},
journal= {arXiv preprint arXiv:1807.07979},
year = {2018}
}