Forming dynamic, self-organizing neural networks by means of Assembler Encoding

• Autorzy: Praczyk T.

Warianty tytułu

PL

Tworzenie sieci neuronowych z samoorganizacją Hebba za pomocą Kodowania Asemblerowego

• Języki publikacji: EN

Abstrakty

EN

Assembler Encoding is a new neuro-evolutionary method. To date, it has been tested in such problems as: an optimization problem, a predator-prey problem, and in an inverted pendulum problem. In all the cases mentioned, Assembler Encoding was used to create neural networks with constant, invariable architecture. To test whether Assembler Encoding is able to form other types of neural networks, next experiments were carried out. In the experiments, the task of Assembler Encoding was to form self-organizing, dynamic neural networks. The networks were tested in the predator-prey problem. To compare Assembler Encoding with other method, in the experiments, a modified version of standard neuro-evolution was also applied. The results of the experiments are presented at the end of the paper.

PL

Kodowanie Asemblerowe jest metodą neuro-ewolucyjną, która do tej pory stosowana była wyłącznie do konstrukcji sieci neuronowych o stałej, nie zmiennej w czasie architekturze. W celu sprawdzenia skuteczności metody w tworzeniu innych typów sieci neuronowych, przeprowadzonoszereg eksperymentów. W ich trakcie zadaniem Kodowania Asemblerowego była konstrukcja rekurencyjnych oraz jednokierunkowych sieci neuronowych z samoorganizacją Hebba. Tworzone sieci wykorzystywane były do sterowania zespołem "drapieżców", których celem było pochwycenie szybko poruszającej się "ofiary" (predator-prey problem) postępującej zgodnie z pewną prostą strategią. Wyniki Kodowania Asemblerowego uzyskane w trakcie badań porównano z osiągami innej metody neuro-ewolucyjnej.

Słowa kluczowe

EN

self-organizing neural networks; neuro-evolution; predator-prey problem

PL

sieci neuronowe; neuro-ewolucja; problem drapieżca–ofiara

• Wydawca: Wojskowa Akademia Techniczna im. Jarosława Dąbrowskiego
• Czasopismo: Biuletyn Wojskowej Akademii Technicznej
• Rocznik: 2011
• Tom: Vol. 60, nr 2
• Strony: 117--138
• Opis fizyczny: Bibliogr. 14 poz., wykr.

Twórcy

autor

Praczyk T.

• Polish Naval Academy, Institute of Naval Weapon, Śmidowicza 69 Str. , 81-103 Gdynia

Bibliografia

• [1] M. Butz, Rule-based Evolutionary Online Learning Systems: Learning Bounds, Classification, and Prediction, IlliGAL Report, no. 2004034, University of Illinois, 2004.
• [2] D. Floreano, J. Urzelai, Evolutionary robots with online self-organization and behavioural fitness, Neural Networks, 13, 2000, 431-443.
• [3] D. E. Goldberg, Genetic algorithms in search, optimization and machine learning, Addison Wesley, Reading, Massachusetts, 1989.
• [4] F. Gruau, Neural network Synthesis Using Cellular Encoding and The Genetic Algorithm, PhD Thesis, Ecole Normale Superieure de Lyon, 1994.
• [5] S. Luke, L. Spector, Evolving Graphs and Networks with Edge Encoding: Preliminary Report, Late Breaking Papers at the Genetic Programming 1996 Conference Stanford University July 28-31, Stanford University, 1996, 117-124.
• [6] G. F. Miller, P. M. Todd, S. U. Hegde, Designing Neural Networks Using Genetic Algorithms, Proceedings of the Third International Conference on Genetic Algorithms, 1989, 379-384.
• [7] P. Nordin, W. Banzhaf, F. Francone, Efficient Evolution of Machine Code for {CISC} Architectures using Blocks and Homologous Crossover, Advances in Genetic Programming III, MIT Press, 1999, 275-299.
• [8] M. Potter, The Design and Analysis of a Computational Model of Cooperative Coevolution, PhD thesis, George Mason University, 1997.
• [9] M. A. Potter, K. A. De Jong, Cooperative coevolution: An architecture for evolving coadapted subcomponents, Evolutionary Computation, 8(1), 2000, 1-29.
• [10] T. Praczyk, Evolving co-adapted subcomponents in assembler encoding, International Journal of Applied Mathematics and Computer Science, 17(4), 2007, 549-563.
• [11] T. Praczyk, Modular networks in Assembler Encoding, Computational Methods in Science and Technology, CMST 14(1), 2008, 27-38.
• [12] T. Praczyk, Using assembler encoding to solve the inverted pendulum problem, Computing and Informatics (in press)
• [13] J. W. Prior, Eugenic Evolution for Combinatorial Optimization, Master’s thesis TR AI98-268, The University of Texas at Austin, 1998.
• [14] J. Urzelai, D. Floreano, Evolution of Adaptive Synapses: Robots with Fast Adaptive Behaviour in New Environments, Evolutionary Computation, 9(4), 2001, 495-524.