Decelerating the rate of evolution with constant learning

• Autorzy: Gajer M.

Warianty tytułu

PL

Spowalnianie tempa ewolucji z wykorzystaniem uczenia stałego

• Języki publikacji: EN

Abstrakty

EN

Evolution and learning are two main processes that are considered in the case of artificial intelligence and artificial life systems. These two processes can interact with each other, which is called the Baldwin effect. Especially, the introduction of learning process into an evolutionary system can cause acceleration or deceleration of the rate of evolution both in the case of artificial and natural evolutionary systems. However, there is still a lack of a solid mathematical theory that could thoroughly explain the phenomena concerned with the impact of learning on the rate of evolution. In the case of constant learning, that is a process during which individuals are moved a constant value toward the optimum, it was proved that if the second derivative of the logarithm of the fitness function is negative, the rate of the evolution should be slowed down as a result of the introduction of constant learning. In the paper we assume an evolutionary system with the asymptotic fitness function for which the theory states that the introduction of constant learning should lead to deceleration of the rate of evolution. The results of numerous computer simulations confirmed the theory and demonstrated that the deceleration of the rate of the evolution is significant. Moreover, the impact of the intensity of mutation on the degree of deceleration of the rate of evolution could also be observed.

PL

Ewolucja i uczenie się są dwoma głównymi procesami rozpatrywanymi w kontekście systemów sztucznej inteligencji i systemów sztucznego życia. Oba wymienione procesy mogą wchodzić we wzajemną interakcję, co bywa określane mianem efektu Baldwina. W szczególności wprowadzenie procesu uczenia do systemu ewolucyjnego może powodować przyspieszenie bądź spowolnienie tempa ewolucji zarówno w przypadku sztucznych, jak i naturalnych systemów ewolucyjnych. Obecnie wciąż odczuwany jest brak solidnej teorii matematycznej, która byłaby w stanie wyjaśnić w pełni zjawiska związane z wpływem procesu uczenia na tempo przebiegu ewolucji. W przypadku tzw. uczenia stałego, które polega na systematycznym przesuwaniu o stałą wartość genotypu osobnika w kierunku poszukiwanego optimum, udowodniono, że jeżeli druga pochodna logarytmu funkcji dopasowania jest ujemna, wówczas tempo przebiegu ewolucji powinno ulec spowolnieniu w wyniku wprowadzenia do systemu ewolucyjnego uczenia stałego. W artykule rozważono system ewolucyjny z asymptotyczną funkcją dopasowania, w przypadku którego zgodnie z teorią wprowadzenie uczenia stałego powinno wywołać spowolnienie tempa przebiegu ewolucji. Liczne wyniki symulacji komputerowych potwierdzają przewidywania teorii i pokazują, że spowolnienie tempa ewolucji jest istotne. Ponadto można zaobserwować dodatkowy wpływ częstotliwości mutacji na spowolnienie tempa ewolucji.

Słowa kluczowe

EN

evolutionary systems; learning process; constant learning; Baldwin effect

PL

systemy ewolucyjne; proces uczenia się; uczenie stałe; efekt Baldwina

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2012
• Tom: R. 16, nr 11
• Strony: 50--53
• Opis fizyczny: Bibliogr. 10 poz., wykr., wzory

Twórcy

autor

Gajer M.

• AGH University of Science and Technology, Department of Applied Computer Science,

Bibliografia

• 1. Ampatzis C., Tuci E., Trianni V., Christensen A. L., Dorigo M., Evolving self-assembly in autonomous homogeneous robots: Experiments with two physical robots, “Artificial Life”, vol. 15, 2009, 465-484.
• 2. Bull L., On the Baldwin effect, “Artificial Life”, vol. 5, 1999, 241-246.
• 3. Bullinaria J. A., Lifetime learning as a factor in life history evolution, “Artificial Life”, vol. 15, 2009, 389-409.
• 4. Dopazo H., Gordon M., Perazzo R., Risau-Gusman S., A model for the interaction of learning and evolution, “Bulletin of Mathematical Biology”, vol. 63, 2001, 117-134.
• 5. Gras R., Devaurs D., Wozniak A., Aspinall A., An individual-based evolving predator-prey ecosystem simulation using a fuzzy cognitive map as the behavior model, “Artificial Life”, vol. 15, 2009, 423-463.
• 6. Mery F., Kawecki T., The effect of learning on experimental evolution of resource preference in Drosophila melanogaster, “Evolution”, vol. 58, 2004, 757-767.
• 7. Paenke I., Kawecki T. J., Sendhoff B., The influence of learning on evolution: A mathematical framework, “Artificial Life”, vol. 15, 2009, 227-245.
• 8. Stanley K. O., A’Ambrosio D. B., Gauci J., A hypercubebased encoding for evolving large-scale neural networks, “Artificial Life”, vol. 15, 2009, 185-212.
• 9. Suzuki R., Arita T., The dynamic changes in roles of learning through the Baldwin effect, “Artificial Life”, vol. 13, 31-43.
• 10. Gajer M., Examining the impact of positive and negative constant learning on the evolution rate, “Task Quarterly”, vol. 13, no. 4, 2009, 35-362.