Modelos computacionales
SISTEMA SANE Symbiotic, Adaptative Neuro-Evolution
1. Introducción
Ventajas de la búsqueda coevolutiva y cooperativaen problemas de control, mediante el sistema SANE. SANE hace coevolucionar una población de neuronas que cooperan para formar una red neuronal.
La convergencia en los algoritmos evolutivos (AE)impide la adaptación de las poblaciones a entornos dinámicos. La propuesta de los Algoritmos Coevolutivos Adaptativos es una prometedora alternativa. manteniendo diferentes subpoblaciones de neuronas paraque juntas cooperen, se mantiene la diversidad y no converge la población.
Existe una presión evolutiva para que las neuronas se agrupen en diferentes tipos o especializaciones; cada una de éstasresolverá una parte del problema.
2. El Sistema SANE
En SANE cada individuo de la población representa una neurona oculta en una RN de dos capas.
Cada neurona debe optimizar un aspecto de laRN y combinarse con otras neuronas que optimizan otros aspectos del problema a solucionar.
Esto da lugar a especializaciones junto con una evolución simbiótica.
El conocimiento de combinacionesde neuronas útiles para formar una RN debe de ser explotado. La solución de SANE es mantener y evolucionar un conjunto de copias de las mejores combinaciones: los BLUEPRINTS.
En estas copias vienenindicados conjuntos de neuronas de la población con las cuales podemos formar una RN, y una neurona puede participar en más de un conjunto o red neuronal.
Implementación de SANE:
Cada individuo dela población de neuronas representa una neurona oculta en una RN feedfoward de dos capas. Cada neurona está definida por un conjunto de bits que forman su cromosoma, que indican una serie deconexiones a realizar. Cada individuo de la población de blueprints contiene una serie de punteros a neuronas, que se encuentran en la población actual.
El algoritmo de SANE opera en dos fases principales:...
Regístrate para leer el documento completo.