Analiza wpływu uczenia stałego na tempo przebiegu procesów ewolucyjnych

• Autorzy: Gajer M.

Warianty tytułu

EN

Analysis of the impact of constant learning on the evolution rate

• Języki publikacji: PL

Abstrakty

PL

W artykule rozważono wpływ procesu uczenia na tempo zachodzenia przemian ewolucyjnych. Zjawisko polegające na tym, że wprowadzenie do sytemu ewolucyjnego procesu uczenia może zarówno przyspieszać, jak i spowalniać ewolucję, jest od dawna znane w naukach przyrodniczych i określane jest mianem efektu Baldwina. Natomiast brak jest ogólnej teorii opisującej rozważane zjawiska w sposób ilościowy. W artykule przedstawiono teoretyczną analizę wpływu uczenia stałego na tempo ewolucji. Uzyskane wyniki zostały dodatkowo potwierdzone przeprowadzonymi przez autora symulacjami numerycznymi, z których wynika, że w systemach ewolucyjnych z dodatnią i monotoniczną funkcją celu wprowadzenie uczenia stałego zawsze powoduje spowolnienie ewolucji.

EN

The paper deals with the influence of learning on the evolution rate. It is a well-known fact that learning can under some circumstances accelerate or decelerate evolution, but there is no general theory that could explain these phenomena. The work [11] proposes a mathematical method with use of which one can determine whether the evolution will be accelerated or decelerated by learning for a monotonic and positive fitness function. This mathematical method is based on analysis of the fitness function logarithm second derivative. In the paper there is presented an experimental evolu-tionary system for which it was proved that the fitness function logarithm second derivative is negative. This fact causes that introduction of the constant learning to such a system must lead to deceleration of evolution. However, the mathematical method presented in [11] does not allow for any quantitative analysis of this phenomenon. Numerical experiments were conducted by the author of this paper in order to confirm the theoretical results obtained before. The simulation results of impact of learning on the evolution rate are shown in Figs. 1- 5. It can be noted that the deceleration of evolution, especially in the case of lower number of evolutionary algorithm generations, is relatively large. The impact of mutation intensity on the evolution rate was also examined. It was shown that increase in the mutation intensity accelerates the evolution significantly. The paper is organised as follows: Section 1 is the introduction, Section 2 presents the outline of the mathematical method based on gain function analysis, Section 3 discusses the results of numerical simulations, Section 4 gives the concluding remarks..

Słowa kluczowe

PL

systemy ewolucyjne; proces uczenia; efekt Baldwina

EN

evolutionary systems; learning process; Baldwin effect

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2010
• Tom: R. 56, nr 5
• Strony: 475--478
• Opis fizyczny: Bibliogr. 11 poz., rys., wzory

Twórcy

autor

Gajer M.

• Katedra Automatyki, Akademia Górniczo-Hutnicza w Krakowie, Al. Mickiewicza 30, 30-059 Kraków,

Bibliografia

• [1] Goldberg D. E.: Algorytmy genetyczne i ich zastosowania. Wydawnictwa Naukowo-Techniczne, Warszawa 1996.
• [2] Arabas J.: Wykłady z algorytmów ewolucyjnych. Wydawnictwa Naukowo-Techniczne, Warszawa 2004.
• [3] Michalewicz Z.: Algorytmy genetyczne + struktury danych = programy ewolucyjne. Wydawnictwa Naukowo-Techniczne, Warszawa 2003.
• [4] Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe, algorytmy genetyczne i systemy rozmyte. Wydawnictwo Naukowe PWN, Warszawa-Łodź 1997.
• [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, ss. 423-463.
• [6] Bull L.: On the Baldwin effect, Artificial Life, vol. 5, 1999, ss. 241-246.
• [7] Bullinaria J. A.: Lifetime learning as a factor in life history evolution, Artificial Life, vol. 15, 2009, ss. 389-409.
• [8] Stanley K. O., D’Ambrosio D. B., Gauci J.: A hypercube-based encoding for evolving large-scale neural networks, Artificial Life, vol. 15, 2009, ss. 185-212.
• [9] 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, ss. 465-484.
• [10] Hinton G., Nowlan S.: How learning can guide evolution. Complex systems, vol. 1, 1987, ss. 495-502.
• [11] Paenke I., Kawecki T. J., Sendhoff B.: The influence of learning on evolution: A mathematical framework, Artificial Life, vol. 15, 2009, ss. 227-245.