利用多脑间接编码产生多模态行为
人工智能
2016-04-27 v1 神经与进化计算
摘要
神经进化中的一个重要挑战是演化出具有多种行为模式的复杂神经网络。间接编码有可能应对这一挑战。然而在实践中，间接编码并未产生有效的多模态控制器。因此，本文为流行的间接编码HyperNEAT引入了新颖的多模态扩展。一种先前的多模态HyperNEAT方法（称为situational policy geometry）假设多个脑受益于嵌入显式几何空间中。但本文实验表明，该假设不必要地约束了演化，导致性能降低。具体而言，本文引入HyperNEAT扩展，用于演化多个脑而不假设它们之间的几何关系。由此产生的Multi-Brain HyperNEAT可利用人类指定的任务划分来决定每个脑何时控制智能体，或者可通过偏好神经元自动发现何时使用脑。进一步的扩展称为模块变异（module mutation），允许演化发现脑的数量，从而以更少的专家知识实现多模态行为。在多个多模态领域的实验强调，多脑方法比无多模态扩展的HyperNEAT更有效，并且表明彼此无几何关系的脑优于situational policy geometry。结论是，Multi-Brain HyperNEAT为演化复杂多模态行为提供了若干有前景的技术。
引用
@article{arxiv.1604.07806,
title = {Using Indirect Encoding of Multiple Brains to Produce Multimodal Behavior},
author = {Jacob Schrum and Joel Lehman and Sebastian Risi},
journal= {arXiv preprint arXiv:1604.07806},
year = {2016}
}