Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Sự xuất hiện của các hành vi thích ứng cho sinh vật nhân tạo sử dụng mạng nơ-ron nhân tạo kết hợp
Tóm tắt
Nghiên cứu này đề xuất một phương pháp để thu nhận hành vi thích ứng cho sinh vật nhân tạo có nhiều khớp sử dụng mạng nơ-ron nhân tạo (ANN) kết hợp. Thí nghiệm trong nghiên cứu này tập trung vào mô hình cá nhân tạo, có nhiều khớp, theo dõi một mục tiêu trong môi trường nước ảo. Để điều khiển chuyển động của các khớp, một ANN kết hợp được triển khai với mô hình. Ban đầu, một ANN được chuẩn bị để điều khiển các khớp cụ thể nhằm bơi cơ bản theo phản ứng với thông tin đầu vào tối thiểu sử dụng tính toán tiến hóa trong các thí nghiệm sơ bộ. Và một mạng mới được xây dựng bằng cách kết hợp mạng của nó với mạng khác. Để thu nhận hành vi phức tạp cho sinh vật nhân tạo, trọng số của ANN kết hợp được tối ưu hóa. Kết quả thí nghiệm cho thấy mô hình có nhiều khớp đạt được hành vi bơi thích ứng về hướng mục tiêu bằng cách tối ưu hóa mạng kết hợp.
Từ khóa
#hành vi thích ứng #sinh vật nhân tạo #mạng nơ-ron nhân tạo #mô hình cá #môi trường nước ảoTài liệu tham khảo
Sims K (1994) Evolving virtual creatures. In: Proceedings of the 21st annual conference on Computer graphics and interactive techniques, pp 15–22
Sims K (1994) Evolving 3D morphology and behavior by competition. Artif Life 1(4):353–372
Chaumont N, Egli R, Adami C (2007) Evolving virtual creatures and catapults. Artif Life 13(2):139–157
Tanev I, Ray T, Buller A (2005) Automated evolutionary design. Robustness, and adaptation of sidewinding locomotion of a simulated snake-like robot. IEEE Trans Robot 21(4):632–645
Nakamura K, Suzuki I, Yamamoto M, Furukawa M (2011) Acquisition of swimming behavior on artificial creature in virtual water environment. Lecture Notes in Computer Science, LNCS/LNAI, vol 5777. Springer, pp 99–106
Stanley KO, Miikkulainen R (2002) Evolving neural networks through augmenting topologies. Evolut Comput 10(2):99–127
Kassahun Y, Sommer G (2005) Efficient reinforcement learning through Evolutionary Acquisition of Neural Topologies. In: Proceedings of the 13th European Symposium on Artificial Neural Networks, pp 259–266
Siebel NT, Sommer G (2007) Evolutionary reinforcement learning of artificial neural networks. Int J Hybrid Intell Syst 4(3):171–183
Yao X (1999) Evolving artificial neural networks. Proc IEEE 87(9):1423–1447
Brooks R (1986) A robust layered control system for a mobile robot. IEEE J Robot Autom 2(1):14–23