Przyspieszanie tempa przebiegu procesów ewolucyjnych z wykorzystaniem uczenia stałego

• Autorzy: Gajer M.

Warianty tytułu

EN

Accelerating the rate of evolutionary processes with the use of constant learning

• Języki publikacji: PL

Abstrakty

PL

Ewolucja oraz uczenie osobników są dwoma głównymi procesami badanymi w ramach systemów sztucznej inteligencji. W naukach biologicznych jest od dawna dobrze znanym faktem, że proces uczenia może w określonych warunkach wywierać wpływ na tempo przemian ewolucyjnych. Jednak brak jest gruntownej teorii opisującej w sposób ilościowy rozważane zjawiska. Zadawalające rezultaty zostały osiągnięte jedynie w przypadku monotonicznej postaci funkcji dopasowania. W szczególności pokazano, w jakich warunkach uczenie osobników ze stałą wartością kroku może prowadzić do przyspieszenia procesu ewolucji. Celem artykułu jest zbadanie, czy tego typu efekt może zostać także zaobserwowany w przypadku rzeczywistych systemów ewolucyjnych bądź ich implementacji w postaci programów komputerowych.

EN

The evolution and learning are two main processes that are examined in the domain of artificial intelligence systems. In biological sciences it is a well-known fact that learning can influence the rate of evolutionary changes. However, there is no solid theory to explain these phenomena in a quantitative way. Satisfying results were obtained only in the case of a monotonic fitness function. In particular, it was demonstrated under which conditions constant learning can lead to an acceleration of the evolution rate. The objective of the paper is to examine if such an effect can be also observed in the case of real evolutionary systems or their computer implementations.

Słowa kluczowe

PL

systemy ewolucyjne; efekt Baldwina; przyspieszanie tempa ewolucji; uczenie stałe

EN

evolutionary systems; Baldwin effect; accelerating the rate of evolution; constant learning

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2011
• Tom: R. 87, nr 1
• Strony: 204--209
• Opis fizyczny: Bibliogr. 26 poz., rys.

Twórcy

autor

Gajer M.

• Akademia Górniczo-Hutnicza, Katedra Automatyki, al. Mickiewicza 30, 30-059 Kraków,

Bibliografia

• [1] Tadeusiewicz R., Problemy biocybernetyki, Warszawa, Wydawnictwo Naukowe PWN, 1994
• [2] Osowski S., Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa, 1996
• [3] Rutkowska D., Inteligentne systemy obliczeniowe i sztuczna inteligencja, [w] Biocybernetyka i inżynieria biomedyczna 2000, pod redakcją Macieja Nałęcza, Tom 6 – Sieci neuronowe, 2000, 765-784
• [4] Goldberg D. E., Algorytmy genetyczne i ich zastosowania, Wydawnictwa Naukowo-Techniczne, Warszawa, 1996
• [5] Rutkowska D., Piliński M., Rutkowski L., Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, Wydawnictwo Naukowe PWN, Warszawa-Łódź, 1997
• [6] Arabas J., Wykłady z algorytmów ewolucyjnych, Wydawnictwa Naukowo-Techniczne, Warszawa, 2004
• [7] Michalewicz Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne, Wydawnictwa Naukowo-Techniczne, Warszawa, 2003
• [8] Gajer M., Rozważania nad algorytmami genetycznymi i procesem ewolucji, Informatyka Teoretyczna i Stosowana, 7 (2007), 7-14
• [9] Filipowicz B., Chmiel W., Kadłuczka P., Ukierunkowane przeszukiwanie przestrzeni rozwiązań w algorytmach rojowych, Automatyka, Tom 13, Zeszyt 2 (2009), 247-255
• [10] Loizos M., Ant-Based Computing, Artificial Life, 15 (2009), 337-349
• [11] Pełech-Pilichowski T., Duda J. T., Wykorzystanie podejścia immunologicznego do prognozowania szeregów czasowych, Automatyka, Tom 13, Zeszyt 2 (2009), 551-562
• [12] Bullinaria J. A., Lifetime learning as a factor in life history evolution, Artificial Life, 15 (2009), 389-409
• [13] Villee C. A., Biologia, Kaunas, KESAN, 1991
• [14] Bull L., On the Baldwin effect, Artificial Life, 15 (2009), 337-349
• [15] Mery F., Kawecki T., The effect of learning on experimental evolution of resource preference in Drosophila melanogaster, Evolution, 58 (2004), 757-767
• [16] Hinton G., Nowlan S., How learning can guide evolution, Complex Systems, 1 (1987), 495-502
• [17] Gajer M., Analiza wpływu uczenia na tempo ewolucji w przypadku wielomodalnej funkcji celu, Przegląd Elektrotechniczny, 2 (2010), 24-29
• [18] Paenke I., Kawecki T.J., Sendhoff B., The influence of learning on evolution: A mathematical framework, Artificial Life, 15 (2009), 227-245
• [19] Papaj D., Optimizing learning and its effect on evolutionary change in behavior, Behavioral mechanisms in evolutionary ecology, University of Chicago Press, 133-154
• [20] Gajer M., Analiza wpływu procesu uczenia ze stałym krokiem na tempo zmian ewolucyjnych, Pomiary Automatyka Robotyka, 4 (2010), 751-761
• [21] Matos A., Suzuki R., Arita T., Heterochrony and artificial embryogeny: A method for analyzing artificial embryogenies based on developmental dynamics, Artificial Life, 15 (2009), 131-160
• [22] Stanley K.O., D’Ambrosio D.B., Gauci J., A hypercube-based encoding for evolving large-scale neural networks, Artificial Life, 15 (2009), 185-212
• [23] Gras R., Didier D., Wozniak A., Aspinal A., An individual-based evolving predator-prey ecosystem simulation using a fuzzy cognitive map as the behavior model , Artificial Life, 15 (2009), 423-463
• [24] Dzik J., Dzieje życia na Ziemi, Wydawnictwo Naukowe PWN, Warszawa, 1997
• [25] Szarski H., Historia zwierząt kręgowych, PWN, Warszawa, 1990
• [26] Gajer M., Examining the impact of positive and negative constant learning on the evolution rate, Task Quarterly, 13 (2009), 355-362