Los algoritmos evolutivos (EA) están diseñados para replicar el comportamiento y la evolución de los organismos biológicos mientras resuelven problemas informáticos. En años recientes, muchos investigadores han desarrollado EA y los han utilizado para abordar una variedad de tareas de optimización.

Los estudios anteriores también han explorado el uso de estos algoritmos para aprender la topología y los pesos de conexión de las redes neuronales que alimentan a los robots o agentes virtuales. Cuando se aplica en este contexto, Los EA podrían tener numerosas ventajas, por ejemplo, mejorar el rendimiento de los agentes de inteligencia artificial (IA) y mejorar nuestra comprensión actual de los sistemas biológicos.

Hasta aquí, sin embargo, las aplicaciones de robótica evolutiva del mundo real han sido escasas, con muy pocos estudios que hayan logrado producir comportamientos complejos utilizando EA. Investigadores de la Universidad de Nottingham Trent y el Instituto Max Planck de Matemáticas en las Ciencias han desarrollado recientemente un nuevo enfoque para desarrollar redes neuronales con un crecimiento lineal sostenido en la complejidad de su comportamiento.

"Si queremos un crecimiento lineal sostenido de la complejidad durante la evolución, Debemos asegurarnos de que las propiedades del entorno en el que tiene lugar la evolución, incluyendo la estructura de la población y las propiedades de las redes neuronales que son relevantes para los operadores de mutación aplicados, permanecen constantes en promedio durante el tiempo evolutivo, "Los investigadores explicaron en su artículo." Congelar estructuras de red antiguas es un método que ayuda a lograr esto, pero como lo mostrarán las investigaciones presentadas aquí, no es suficiente por sí solo y ni siquiera es el principal contribuyente para lograr el objetivo ".

En su estudio, los investigadores se centraron en una tarea en la que un agente robótico necesita seguir una trayectoria predefinida en un plano infinito 2-D durante el mayor tiempo posible, a la que se refieren como la "tarea de seguimiento de trayectoria". En su versión de esta tarea, el agente no recibió ninguna información a través de sus sensores sobre dónde debería ubicarse. Si está demasiado lejos de la trayectoria, sin embargo, el agente "muere". En este contexto, La evolución debe permitir que el agente se adapte a esta tarea y aprenda a seguir la trayectoria utilizando el control de bucle abierto.

Para lograr un crecimiento lineal en la complejidad de los comportamientos evolutivos del agente en el desempeño de esta tarea, los investigadores agregaron cuatro características clave a los métodos estándar para la evolución de las redes neuronales. Esencialmente, congelaron la estructura previamente desarrollada de la red, al mismo tiempo que agrega andamios temporales, una función de transferencia homogénea para los nodos de salida y las mutaciones que crean nuevas vías hacia las salidas.

Si bien la adición de mutaciones a las redes y el cambio de las funciones de transferencia de los productos condujeron a algunas mejoras en el rendimiento, encontraron que la mejora más significativa estaba asociada con el uso de andamios. Esto sugiere que las redes neuronales estándar no son particularmente buenas para producir un comportamiento que varía con el tiempo de una manera que sea fácilmente accesible por la evolución.

En su papel Los investigadores proponen que las redes neuronales aumentadas por andamios podrían ser una solución viable para lograr comportamientos y evolución cada vez más complejos en las redes neuronales. En el futuro, el enfoque que presentaron podría informar el desarrollo de nuevas herramientas para desarrollar redes neuronales para el control de robots y otras tareas.

"En general, La complejidad evolucionada es de hasta dos órdenes de magnitud superior a la lograda con los métodos estándar en los experimentos que informamos, siendo el principal factor limitante para un mayor crecimiento el tiempo de ejecución disponible, "escribieron los investigadores en su artículo". el conjunto de métodos propuestos aquí promete ser una adición útil a varios métodos de neuroevolución actuales ".

© 2019 Science X Network