Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tiến hóa từng bước của robot giống rắn mô phỏng di chuyển nhanh và cảm biến với GP đa mục tiêu và lai ghép mạnh kiểu
Tóm tắt
Trong lập trình di truyền (GP), không gian tìm kiếm thường tăng trưởng theo cách lớn hơn tuyến tính khi số lượng nhiệm vụ cần phải hoàn thành gia tăng. Đây là nguyên nhân cho một trong những vấn đề lớn nhất trong tính toán tiến hóa; khả năng mở rộng. Mục tiêu của công việc được trình bày ở đây là tạo điều kiện cho sự tiến hóa của các thiết kế phức tạp có nhiều đặc điểm khác nhau. Chúng tôi sử dụng sự kết hợp của các cơ chế được thiết kế đặc biệt để thúc đẩy sự tiến hóa nhanh chóng của các hệ thống với nhiều mục tiêu. Các cơ chế này bao gồm: việc gieo giống được lấy cảm hứng từ hoán vị di truyền, lai ghép kiểu mạnh và tối ưu hóa đa mục tiêu. Chúng tôi chứng minh rằng, khi được sử dụng cùng nhau, những cơ chế này không chỉ cải thiện hiệu suất của GP mà còn độ tin cậy của các thiết kế cuối cùng. Chúng tôi điều tra tác động của các cơ chế nêu trên, với trọng tâm chính là gieo giống được lấy cảm hứng từ hoán vị di truyền và lai ghép kiểu mạnh, đến hiệu quả của GP được sử dụng để tiến hóa đồng thời các kiểu đi lại và cảm biến của một robot giống rắn được mô phỏng (Snakebot). Kết quả thực nghiệm cho thấy rằng, bộ cơ chế đã đề ra góp phần vào sự gia tăng đáng kể trong hiệu quả của quá trình tiến hóa của các Snakebot di chuyển và cảm biến nhanh chóng, cũng như độ bền vững của các thiết kế cuối cùng.
Từ khóa
#lập trình di truyền #hoán vị di truyền #lai ghép #tối ưu hóa đa mục tiêu #robot giống rắn #di chuyển nhanh #cảm biếnTài liệu tham khảo
Beaudoin W, Verel S, Collard P, Escazu C (2006) Deceptiveness and Neutrality: the ND family of fitness landscapes. In: GECCO 2006: proceedings of the 2006 conference on genetic and evolutionary computation
Bird J, Layzell P (2002) The evolved radio and its implications for modelling the evolution of novel sensors. In: Proceedings of the evolutionary computation on 2002. CEC ’02. Proceedings of the 2002 Congress, vol 02, CEC ’02. IEEE Computer Society, Washington, DC, pp 1836–1841
Bleuler S, Brack M, Thiele L, Zitzler E (2001) Multiobjective genetic programming: reducing bloat using spea2. In: Proceedings of the 2001 Congress on evolutionary computation, 2001, vol 1, pp 536–543
Chan T, Man K, Tang K, Kwong S (2008) A jumping gene paradigm for evolutionary multiobjective optimization. IEEE Trans Evol Comput 12: 143–159
Deb K, Pratap A, Agarwal S, mEYARIVAN T (2002) A fast and elitist multiobjective genetic algorithm: Nsga-ii. IEEE Trans Evol Comput 6(2): 182–197
Doerr B, Gnewuch M, Hebbinghaus N, Neumann F (2007) IEEE Congress on a rigorous view on neutrality evolutionary computation, 2007. CEC 2007, pp 2591–2597
Dowling K (1999) Limbless locomotion: learning to crawl. In: 1999 IEEE international conference on robotics and automation, 1999. Proceedings, vol 4, pp 3001–3006
Hirose S (1993) Biologically inspired robots: snake-like locomotors and manipulators. Oxford University Press, Oxford
Huynen MA, Stadler PF, ontana WF (1996) Smoothness within ruggedness: the role of neutrality in adaptation. In: Proceedings of the National Academy of Sciences of the United States of America, vol 93, pp 397–401
Koza JR (1994) Genetic programming II: automatic discovery of reusable programs. MIT Press, Cambridge
Koza JR, Keane MA, Yu J, Bennett FH, Mydlowec W (2000) Automatic creation of human-competitive programs and controllers by means of genetic programming. Genet Programm Evolvable Mach 1:121–164. doi:10.1023/A:1010076532029
Koza JR (2003) Genetic programming IV: routine human-competitive machine intelligence. Kluver Academic Publishers, MA
Kuyucu T, Trefzer M, Greensted A, Miller J, Tyrrell A Fitness functions for the unconstrained evolution of digital circuits. In: 9th IEEE Congress on evolutionary computation (CEC08), Hong Kong, June 2008, pp 2589–2596
Langdon WB, Nordin P (2000) Seeding genetic programming populations. In: Proceedings of the European conference on genetic programming. Springer, London, pp 304–315
Liu R, Sheng Z, Jiao L (2009) Gene transposon based clonal selection algorithm for clustering. In: Proceedings of the 11th annual conference on genetic and evolutionary computation, pp 1251–1258
Lobo J, Miller JH, Fontana W (2004) Neutrality in technological landscapes. Santa Fe working paper
Galvn-Lpez Edgar, Poli Riccardo, Kattan Ahmed, ONeill Michael, Brabazon Anthony (2011) Neutrality in evolutionary algorithms what do we know?. Evol Syst 2: 145–163
McClintock B (1950) The origin and behaviour of mutable loci in maize. Proc Natl Acad Sci USA 36: 344–355
McConaghy T, Vladislavleva E, Riolo R (2010) Genetic programming theory and practice 2010: an introduction. In: Genetic programming theory and practice VIII. Springer, Berlin, pp vii–xviii
McGregor S, Harvey I (2005) Embracing plagiarism: Theoretical, biological and empirical justification for copy operators in genetic optimisation. Genet Programm Evolvable Machines 6: 407–420
Montana DJ (1995) Strongly typed genetic programming. Evol Comput 3(2): 199–230
Morowitz HJ (2002) The emergence of everything: how the world became complex. Oxford University Press, Oxford
Nolfi S, Floreano D, Miglino O, Mondada F (1994) How to evolve autonomous robots: different approaches in evolutionary robotics. In: 4th international workshop on artificial life. MIT Press, MA
Nowacki M, Higgins BP, Maquilan GM, Swart EC, Doak TG, Landweber LF (2009) A functional role for transposases in a large eukaryotic genome. Science 324(5929): 935–938
Perry J The effect of population enrichment in genetic programming. In: Proceedings of the first IEEE conference on evolutionary computation, 1994. IEEE World Congress on computational intelligence, June 1994, vol 1, pp 456–461
Shichel Y, Sipper M (2011) Gp-rars: evolving controllers for the robot auto racing simulator. Memetic Comput 3: 89–99. doi:10.1007/s12293-011-0056-9
Simes A, Costa E (2000) Using genetic algorithms with asexual transposition. In: Proceedings of the genetic and evolutionary computation conference GECCO’00, Morgan Kaufmann, San Fransisco, pp 323–330
Simoes A, Costa E, Simes A, Costa E (1999) Transposition: a biologically inspired mechanism to use with genetic algorithms. In: Proceedings of the fourth international conference on neural networks and genetic algorithms (ICANNGA’99). Springer, Berlin, pp 612–619
Smith R (2004) Open dynamics engine. Morikita Publishing Co., Tokyo
Spirov AV, Kazansky AB, Zamdborg L, Merelo JJ, Levchenko VF (2009) Forced evolution in silico by artificial transposons and their genetic operators: the john muir ant problem. Technical report. ArXiv:0910.5542. (Comments: 33 pages)
Strand DJ, McDonald JF (1985) Copia is transcriptionally responsive to environmental stress. Nucl Acids Res 13(12): 4401–4410
Tanev Ivan T (2004) Dom/xml-based portable genetic representation of the morphology, behavior and communication abilities of evolvable agents. Artif Life Robot 8: 52–56. doi:10.1007/s10015-004-0288-6
Tanev I, Ray T, Buller A (2005) Automated evolutionary design, robustness and adaptation of sidewinding locomotion of simulated snake-like robot. IEEE Trans Robot 21: 632–645
Tanev I, Shimohara K (2008) Co-evolution of active sensing and locomotion gaits of simulated snake-like robot. In: Proceedings of the 10th annual conference on Genetic and evolutionary computation GECCO ’08. ACM, New York, pp 257–264
Thomsen R, Fogel G, Krink T (2002) A clustal alignment improver using evolutionary algorithms. In: Proceedings of the 2002 Congress on evolutionary computation, 2002. CEC ’02, May 2002, vol 1, pp 121 –126
Uvarov B (1977) Grasshoppers and locusts, vol 2. Lap Lambert Academic Publishing, Saarbrücken
Vassilev VK, Job D, Miller JF (2000) Towards the automatic design of more efficient digital circuits. In: EH ’00: proceedings of the 2nd NASA/DoD workshop on evolvable hardware. IEEE Computer Society, Washington, p 151
Wilke CO, Wang JL, Ofria C, Lenski RE, Adami C (2001) Evolution of digital organisms at high mutation rates leads to survival of the flattest. Nature 412: 331–333