Badanie wpływu procesu uczenia na zachowanie się systemów ewolucyjnych z monotoniczną funkcją dopasowania

• Autorzy: Gajer M.

Warianty tytułu

EN

Examining the impact of learning on the behavior of evolutionary systems with a monotonic fitness function

• Języki publikacji: PL

Abstrakty

PL

Artykut został poświęcony zagadnieniom badania wpływu procesu uczenia na zachowanie się systemów ewolucyjnych. Wzajemne interakcje pomiędzy procesami ewolucyjnymi a procesem uczenia są obecnie jeszcze słabo poznane. Wiadomo jest, że wprowadzenie uczenia do systemu ewolucyjnego może w pewnych warunkach prowadzić zarówno do przyspieszenia, jak i spowolnienia tempa ewolucji. Brak jest jednak ogólnej teorii tłumaczącej tego typu zjawiska i potrafiącej je opisać w sposób ilościowy. W artykule rozpatrzono przypadek uczenia stałego z dodatnią i monotoniczną funkcją dopasowania. Opierając się na wcześniejszych rezultatach można przeprowadzić badanie znaku drugiej pochodnej logarytmu funkcji dopasowania i na tej podstawie wywnioskować, że wprowadzenie uczenia będzie powodowało w rozważanym systemie spowolnienie przebiegu ewolucji. Jednak ilościowa ocena tego zjawiska wymaga przeprowadzenia odpowiednich eksperymentów numerycznych. W artykule opisano przeprowadzone przez autora symulacje komputerowe systemu ewolucyjnego z monotoniczną funkcją celu. Przeprowadzone eksperymenty dobrze potwierdziły wcześniejsze rezultaty teoretyczne. Ponadto pokazano, że wprowadzenie do systemu uczenia stałego prowadzi do istotnego spowolnienia tempa zachodzenia procesów ewolucyjnych.

EN

The paper is devoted to the issues of examining the impact of learning process on the behavior of evolutionary systems. Mutual interactions between evolutionary processes and learning process are still weakly understood. However, it is a well-known fact that the introduction of learning into the evolutionary systems can both lead to acceleration or deceleration of evolution. But there is still a lack of general theory that could explain these phenomena in a quantitative manner. In the paper the case of constant learning with a monotonie and positive fitness function is examined. Basing on the former results one can examine the sign of the second derivative of logarithm of fitness function, which results the conclusion that learning should lead to deceleration of evolutionary processes. In order to confirm the theoretical results and asses the extent to which evolution is decelerated some numerical experiments were conducted by the author. In the paper the case of monotonie fitness function was examined during the numerical experiments that were conducted by the author. The numerical simulations, the results of which were presented in the paper, confirmed totally the former theoretical results.Moreover, it was proved that constant learning decelerates the evolutionary processes to the relatively great extent.

Słowa kluczowe

PL

systemy ewolucyjne; proces uczenia; uczenie stałe; funkcja zysku; eksperymenty numeryczne

EN

evolutionary systems; learning process; constant learning; numerical experiments

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2010
• Tom: Vol. 51, nr 4
• Strony: 125--130
• Opis fizyczny: Bibliogr. 17 poz., tab.

Twórcy

autor

Gajer M.

• Akademia Górniczo-Hutnicza, Katedra Automatyki, Kraków

Bibliografia

• [1] Kasperski M. J.: Sztuczna inteligencja. Wydawnictwo HELION, Gliwice, 2003.
• [2] Osowski S.: Sieci neuronowe w ujęciu algorytmicznym. Wydawnictwa Naukowo-Techniczne, Warszawa, 1996.
• [3] Goldberg D. E.: Algorytmy genetyczne i ich zastosowania. Wydawnictwa Naukowo-Techniczne, Warszawa, 1995.
• [4] Driankov D., Hellendoorn H., Reinfrank M.: Wprowadzenie do sterowania rozmytego. 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] Rutkowska D.: Inteligentne systemy obliczeniowe i sztuczna inteligencja, [w] Biocybernetyka i inżynieria biomedyczna 2000, pod redakcją Macieja Nałęcza, Tom 6 - Sieci neuronowe, ss. 765-784.
• [7] Mulawka J. J.: Systemy ekspertowe. Wydawnictwa Naukowo-Techniczne, Warszawa, 1996.
• [8] Filipowicz В., Chmiel W., Kadłuczka P.: Ukierunkowane przeszukiwanie przestrzeni rozwiązań w algorytmach rojowych. Automatyka, Tom 13, Zeszyt 2, 2009, ss. 247-255.
• [9] Pełech-Pilichowski Т., Duda J. Т.: Wykorzystanie podejścia immunologicznego do prognozowania szeregów czasowych. Automatyka, Tom 13, Zeszyt 2, 2009, ss. 551-562
• [10] Bull L.: On the Baldwin effect, Artificial Life, Vol. 5,1999, ss. 241-246.
• [11] Mery R., Kawecki Т.: The effect of learning on experimental evolution of resource preference in Drosophila melanogaster. Evolution, vol. 58, 2004, pp. 757-767.
• [12] 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, pp. 117-134.
• [13] Ku K., Маk M., Siu W.: Adding learning to cellular genetic algorithms for training recurrent neural networks. IEEE transactions on Neural Networks, vol. 10, 1999, pp. 239-252.
• [14] Paenke I., Kawecki T. J., Sendhoff В.: The influence of learning on evolution: A matematical Framework. Artificial Life, vol. 15, 2009. pp. 227-245
• [15] Andersen T., Newman R., Otter Т.: Shape homeostasis in virtual embryos. Artificial Life, vol. 15, 2009, pp. 161-183.
• [16] 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, pp. 465-484.
• [17] Bullinaria J. A.: Lifetime learning as a factor in life history evolution. Artificial Life, vol. 15, 2009, pp. 389-409.