Azərbaycanca AzərbaycancaБеларускі БеларускіDansk DanskDeutsch DeutschEspañola EspañolaFrançais FrançaisIndonesia IndonesiaItaliana Italiana日本語 日本語Қазақ ҚазақLietuvos LietuvosNederlands NederlandsPortuguês PortuguêsРусский Русскийසිංහල සිංහලแบบไทย แบบไทยTürkçe TürkçeУкраїнська Українська中國人 中國人United State United StateAfrikaans Afrikaans
Підтримка
www.wikidata.uk-ua.nina.az

Нейроеволю ція форма машинного навчання яка використовує еволюційні алгоритми для тренування нейронних мереж Цей підхід

Нейроеволюція

Нейроеволюція

Нейроеволю́ція — форма машинного навчання, яка використовує еволюційні алгоритми для тренування нейронних мереж. Цей підхід використовується наприклад в таких галузях як ігри і керування приводами роботів. У цих випадках досить просто вимірювати продуктивність нейромережі, у той час, як реалізувати кероване навчання дуже важко або практично неможливо. Цей метод навчання відноситься до категорії методів навчання з підкріпленням.

Можливості

Існує велика кількість нейроеволюціонних алгоритмів, які діляться на дві групи. До першої відносяться алгоритми, які моделюють еволюцію ваг зв'язків між елементами нейромережі при заданій топології, до іншої — алгоритми, які крім еволюції ваг також моделюють еволюцію топології мережі. Хоча і не існує загальноприйнятих термінів, прийнято додавання або видалення зв'язків в мережі в ході еволюції називається ускладненням або спрощенням відповідно. Мережі, в яких здійснюється еволюція як зв'язків, так і топології, називаються TWEANNs (англ. Topology & Weight Evolving Artificial Neural Networks).

Пряме і непряме кодування нейромереж

Еволюційні алгоритми маніпулюють безліччю генотипів. У нейроеволюціі генотип — це певне представляння нейромережі (фенотип). У схемі з прямим кодуванням генотип еквівалентний фенотипу, нейрони і зв'язки безпосередньо вказані в генотипі. Навпаки, у схемі з непрямим кодуванням в генотипі вказані правила і структури для створення нейромережі.

Непряме кодування застосовується для досягнення наступних цілей:

  • Можливість формування і використання рекурсивних структур і паттернів.
  • Перетворення фенотипу в генотип меншого розміру, зменшення простору пошуку.
  • Відображення простору пошуку на модель проблемної області знань.

Див. також

Література

  1. A comparison between two such methods applied to robot control can be found here [1] [ 5 липня 2010 у Wayback Machine.]
  2. Yohannes Kassahun, Mark Edgington, Jan Hendrik Metzen, Gerald Sommer and Frank Kirchner. Common Genetic Encoding for Both Direct and Indirect Encodings of Networks. In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO 2007), London, UK, 1029—1036, 2007.
  3. Gauci, Stanley. Generating Large-Scale Neural Networks Through Discovering Geometric Regularities. Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-2007). New York, NY: ACM. [2]
  4. F. Gruau. Neural Network Synthesis Using Cellular Encoding and the Genetic Algorithm. PhD thesis, École Normale Supérieure de Lyon, Laboratoire de l'Informatique du Parallelisme, France, January 1994.
  5. Stanley, Miikkulainen. A Taxonomy for Artificial Embryogeny. The MIT Press Journals, 2003. [3]

Вікіпедія, Українська, Україна, книга, книги, бібліотека, стаття, читати, завантажити, безкоштовно, безкоштовно завантажити, mp3, відео, mp4, 3gp, jpg, jpeg, gif, png, малюнок, музика, пісня, фільм, книга, гра, ігри, мобільний, телефон, android, ios, apple, мобільний телефон, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, ПК, web, Інтернет

Nejroevolyu ciya forma mashinnogo navchannya yaka vikoristovuye evolyucijni algoritmi dlya trenuvannya nejronnih merezh Cej pidhid vikoristovuyetsya napriklad v takih galuzyah yak igri i keruvannya privodami robotiv U cih vipadkah dosit prosto vimiryuvati produktivnist nejromerezhi u toj chas yak realizuvati kerovane navchannya duzhe vazhko abo praktichno nemozhlivo Cej metod navchannya vidnositsya do kategoriyi metodiv navchannya z pidkriplennyam MozhlivostiIsnuye velika kilkist nejroevolyucionnih algoritmiv yaki dilyatsya na dvi grupi Do pershoyi vidnosyatsya algoritmi yaki modelyuyut evolyuciyu vag zv yazkiv mizh elementami nejromerezhi pri zadanij topologiyi do inshoyi algoritmi yaki krim evolyuciyi vag takozh modelyuyut evolyuciyu topologiyi merezhi Hocha i ne isnuye zagalnoprijnyatih terminiv prijnyato dodavannya abo vidalennya zv yazkiv v merezhi v hodi evolyuciyi nazivayetsya uskladnennyam abo sproshennyam vidpovidno Merezhi v yakih zdijsnyuyetsya evolyuciya yak zv yazkiv tak i topologiyi nazivayutsya TWEANNs angl Topology amp Weight Evolving Artificial Neural Networks Pryame i nepryame koduvannya nejromerezhEvolyucijni algoritmi manipulyuyut bezlichchyu genotipiv U nejroevolyucii genotip ce pevne predstavlyannya nejromerezhi fenotip U shemi z pryamim koduvannyam genotip ekvivalentnij fenotipu nejroni i zv yazki bezposeredno vkazani v genotipi Navpaki u shemi z nepryamim koduvannyam v genotipi vkazani pravila i strukturi dlya stvorennya nejromerezhi Nepryame koduvannya zastosovuyetsya dlya dosyagnennya nastupnih cilej Mozhlivist formuvannya i vikoristannya rekursivnih struktur i patterniv Peretvorennya fenotipu v genotip menshogo rozmiru zmenshennya prostoru poshuku Vidobrazhennya prostoru poshuku na model problemnoyi oblasti znan Div takozhShtuchni nejronni merezhi Evolyucijnij algoritm BionikaLiteraturaA comparison between two such methods applied to robot control can be found here 1 5 lipnya 2010 u Wayback Machine Yohannes Kassahun Mark Edgington Jan Hendrik Metzen Gerald Sommer and Frank Kirchner Common Genetic Encoding for Both Direct and Indirect Encodings of Networks In Proceedings of the Genetic and Evolutionary Computation Conference GECCO 2007 London UK 1029 1036 2007 Gauci Stanley Generating Large Scale Neural Networks Through Discovering Geometric Regularities Proceedings of the Genetic and Evolutionary Computation Conference GECCO 2007 New York NY ACM 2 F Gruau Neural Network Synthesis Using Cellular Encoding and the Genetic Algorithm PhD thesis Ecole Normale Superieure de Lyon Laboratoire de l Informatique du Parallelisme France January 1994 Stanley Miikkulainen A Taxonomy for Artificial Embryogeny The MIT Press Journals 2003 3

Дата публікації:
Топ