HyperNeat算法应用(论文大全).docx

A Hypercube-Based Indirect Encoding for Evolving Large-Scale Neural Networks 一种基于超立方体的间接编码方法的进化大规模神经网络 一种基于超立方体的大规模神经网络间接编码方法 摘要 神经进化的领域，即人工神经网络（ANN）通过进化算法不断进化，灵感来自于生物大脑的进化。因为自然进化发现智能大脑拥有数十亿神经元和数以万亿的连接，也许neuroevolution可以做同样的。虽然神经进化在各种领域产生成功的结果，自然的大脑规模仍然遥不可及。本文提出了一种基于超立方体NeuroEvolution的拓扑结构（HyperNEAT），旨在缩小这一差距。HyperNeat采用间接编码称为连接的组合模式生产网络（连接的CPPNs）能产生具有对称性和重复图案，通过在将超立方作为连接模型的低维空间而生成的空间模型被解释。这种方法的优点是，它可以通过绘制规律性到网络的拓扑结构上来扩展任务的算法，从而从维度到下层的问题结构转移问??的难度。此外，连接CPPNs可以任何分辨率表现相同的连接模式，使人工神经网络规模没有通过进一步演化来测量的输入和输出的新数量。HyperNEAT是通过视觉识别和采集食物的工作而展示，包括超过八百万连接的成功的视觉识别网络。本文的主要结论是，神经进化探讨普通连接模式的空间能力开辟了一类新的高维复杂任务。 Autonomous Evolution of Topographic Regularities in Artificial Neural Networks 人工神经网络中拓扑规律的自主演化 寻找大自然的启示，至少在过去25年的研究人员在神经进化领域（NE）已经开发了专门用于进化人工神经网络（ANN）的进化算法。然而，人工神经网络是通过NE算法进化缺乏生物大脑的鲜明特点（特征），这也许能解释为什么NE依然不是神经计算的主流学科。出于这一差距，本文的研究表明，当几何结构被引进来，通过HypernEAT来进化ANN，他们开始获得的确是让人联想到生物的大脑特征。那就是，如果在进化神经网络的神经元位于在空间中的位置（即如果他们给出的坐标），然后，paper中展示了一个进化跳棋游戏的ANNs，具有对称性和规律性的地形图可以自发演化。在本文中展示的进化这样地图的能力，提供一个重要的优势。事实上，进化的地图提供了更充分的信息，他们的分析产生了新的见解，更一般的玩家的连接模式的几何形状比不太一般的玩家显着更顺利和连续的。因此，在本文中的结果揭示了在连接模式的通用性和平滑度之间的相关性。这个结果暗示了有趣的可能性，NE作为一个成熟领域，在一般神经网络计算中通过增加相关性能够进化ANNs。 Enhancing ES-HyperNEAT to Evolve More Complex Regular Neural Networks 增强ES-HyperNEAT 来进化更复杂规律的神经网络 最近推出的evolvable（可展开的）-substrate HyperNEAT algorithm (ES-HyperNEAT)表明，人工神经网络的隐层节点的位置和密度可以根据在权重无限分辨率模式隐含的信息来确定，从而避免进化明确palcement的必要。然而，ES-HyperNEAT是大消耗的计算，因为它必须搜索整个立方体，并只显示匹配一个简单的基准问题的原始的HyperNEAT的性能。本文介绍迭代HyperNEAT，通过聚焦搜索一个超立方体的二维横截面的序列有助于减少计算成本，因此使在更好resolution搜索超立方成为可能。在进化网络上的一系列的实验和分析表明在更复杂的领域 迭代的ES-HyperNEAT不仅匹配而且优于原始的HyperNEAT，因为ES-HyperNEAT可以进化有限的连接网络，阐述现有网络结构， and compensate for movement of information within the hypercube.弥补信息的超立方体内运动。 Evolving Static Representations for Task Transfer 进化任务传送的静态表示 机器学习的一个重要目标是传递任务间的知识。例如，学习RoboCup Keepaway 应有助于学习的完全局的 RoboCup soccer（机器人世界杯足球比赛）。以前的传送方法in keepaway都集中在改变了原来的表述，以此来适应新的任务。相反，本文探讨的想法：即使在不同的任务，如果描述的设计是相同的，传输是最有效的。为了证明这一点，鸟瞰（BEV）描述被介绍出来，用来表示了可以在同一个二维图代表不同的任务。例如，无论是3比2和4比3 keepaway任务可以在同一个BEV表述。然而问题在