Algorithme génétique basé sur le promoteur - Promoter based genetic algorithm
L'algorithme génétique basé sur le promoteur ( PBGA ) est un algorithme génétique de neuroévolution développé par F. Bellas et RJ Duro dans le Groupe intégré de recherche en ingénierie (GII) de l'Université de Coruña, en Espagne. Il fait évoluer des réseaux de neurones artificiels (ANN) de taille variable qui sont codés en séquences de gènes pour construire une unité ANN de base. Chacun de ces blocs est précédé d'un promoteur de gène agissant comme un interrupteur marche / arrêt qui détermine si cette unité particulière sera exprimée ou non.
Principes de base du PBGA
L'unité de base dans le PBGA est un neurone avec toutes ses connexions entrantes comme représenté dans la figure suivante:
Le génotype d'une unité de base est un ensemble de poids à valeur réelle suivis des paramètres du neurone et procédé par un champ à valeur entière qui détermine la valeur du gène promoteur et, par conséquent, l'expression de l'unité. En concaténant des unités de ce type, nous pouvons construire l'ensemble du réseau.
Avec ce codage, il est imposé que l'information qui n'est pas exprimée soit toujours portée par le génotype en évolution, mais elle est protégée de la pression sélective directe, maintenant ainsi la diversité de la population, qui a été une prémisse de conception pour cet algorithme. Par conséquent, une différence claire est établie entre l'espace de recherche et l'espace de solution, permettant aux informations apprises et codées dans la représentation génotypique d'être préservées en désactivant les gènes promoteurs.
Résultats
Le PBGA a été initialement présenté dans le domaine de la robotique autonome, en particulier dans l'apprentissage en temps réel des modèles d'environnement du robot.
Il a été utilisé dans le mécanisme cognitif du cerveau darwiniste à plusieurs niveaux (MDB) développé dans le GII pour l'apprentissage en ligne de vrais robots. Dans un autre article, il est montré comment l'application du PBGA avec une mémoire externe qui stocke les modèles mondiaux obtenus avec succès, est une stratégie optimale pour l'adaptation dans des environnements dynamiques.
Récemment, le PBGA a fourni des résultats qui surpassent d'autres algorithmes neuroévolutionnaires dans des problèmes non stationnaires, où la fonction de fitness varie dans le temps.
Les références
- ^ F. Bellas, RJ Duro, (2002) Promoteur statistiquement neutre basé sur GA pour l'évolution avec des fonctions de fitness dynamiques , Proc. de IASTED International Conference Intelligence Artificielle et Applications
- ^ F. Bellas, RJ Duro, (2002) Modélisation du monde avec des PBGA statistiquement neutres . Amélioration et applications réelles, Proc. 9e Conférence internationale sur le traitement de l'information neuronale
- ^ F. Bellas, A. Faiña, A. Prieto et RJ Duro (2006), Application d'apprentissage adaptatif de l'architecture cognitive évolutive MDB dans les agents physiques , notes de cours sur l'intelligence artificielle, vol 4095, 434-445
- ^ F. Bellas, JA Becerra, RJ Duro, (2009), Utilisation des promoteurs et des introns fonctionnels dans les algorithmes génétiques pour l'apprentissage neuroévolutionnaire dans les problèmes non stationnaires , Neurocomputing 72, 2134-2145