Warning: file_get_contents(/data/phpspider/zhask/data//catemap/1/visual-studio-2008/2.json): failed to open stream: No such file or directory in /data/phpspider/zhask/libs/function.php on line 167

Warning: Invalid argument supplied for foreach() in /data/phpspider/zhask/libs/tag.function.php on line 1116

Notice: Undefined index: in /data/phpspider/zhask/libs/function.php on line 180

Warning: array_chunk() expects parameter 1 to be array, null given in /data/phpspider/zhask/libs/function.php on line 181
Artificial intelligence “神经网络”;“育种”;_Artificial Intelligence_Neural Network_Artificial Life - Fatal编程技术网

Artificial intelligence “神经网络”;“育种”;

Artificial intelligence “神经网络”;“育种”;,artificial-intelligence,neural-network,artificial-life,Artificial Intelligence,Neural Network,Artificial Life,我刚刚看了一段谷歌技术谈话视频,内容涉及“Polyworld”(发现),他们讨论了一起培育两个神经网络以形成后代的问题。我的问题是,如何组合两个神经网络?它们看起来如此不同,任何将它们结合起来的尝试都会形成第三个完全不相关的网络。也许我遗漏了一些东西,但我不认为有什么好方法可以将两个独立的神经网络的积极方面结合成一个单独的神经网络。如果有人能详细说明这个过程,我将不胜感激。在这种情况下,神经网络(可能)不是任意树。它们可能是具有恒定结构的网络,即相同的节点和连接,因此“培育”它们需要“平均”节点

我刚刚看了一段谷歌技术谈话视频,内容涉及“Polyworld”(发现),他们讨论了一起培育两个神经网络以形成后代的问题。我的问题是,如何组合两个神经网络?它们看起来如此不同,任何将它们结合起来的尝试都会形成第三个完全不相关的网络。也许我遗漏了一些东西,但我不认为有什么好方法可以将两个独立的神经网络的积极方面结合成一个单独的神经网络。如果有人能详细说明这个过程,我将不胜感激。

在这种情况下,神经网络(可能)不是任意树。它们可能是具有恒定结构的网络,即相同的节点和连接,因此“培育”它们需要“平均”节点的权重。您可以平均两个对应网络中每对节点的权重,以生成“后代”网络。或者,您可以使用一个更复杂的函数,该函数依赖于更多的相邻节点集——可能性很大。
如果关于固定结构的假设是错误的或没有根据的,我的答案是不完整的。

他们不会真的把两个神经网络一起繁殖。假设他们有各种遗传算法,根据特定的“基因”序列生成特定的神经网络结构。他们将从一群基因序列开始,产生他们特有的神经网络,然后将这些网络中的每一个暴露于相同的训练方案中。据推测,其中一些网络对培训的响应比其他网络更好(即,它们更容易“可培训”以实现所需的行为)。然后,他们将获得产生最佳“受训者”的基因序列,相互杂交,产生他们特有的神经网络,然后将其暴露于相同的训练方案中。据推测,第二代的某些神经网络比第一代的神经网络更易于训练。他们将成为第三代人的父母,等等。

到目前为止,这两种反应都不符合多元世界的本质

它们都描述了典型的遗传算法(GA)应用。虽然遗传算法包含了在多元世界中发现的一些元素(育种、选择),但遗传算法也暗示了某种形式的“客观”标准,旨在引导进化朝着[相对]特定的目标发展

另一方面,Polyworld是人工生命的框架。在ALFE中,个体生物的生存及其将基因传递给其他世代的能力,与其说是由它们满足特定“适应功能”的能力所决定,不如说是与各种更广泛、非目标导向的标准相联系,例如,个体以与其体型和新陈代谢相称的方式喂养自己的能力、躲避捕食者的能力、寻找交配伙伴的能力以及各种运气和随机性

Polyworld的模型与生物相关,它们的世界相对固定(例如,它们都可以使用(尽管可能选择不使用)各种基本传感器(颜色、形状等)和各种执行器(“装置”)来进食、交配、转动、移动……)这些基本的感觉和运动功能不会进化(就像自然界中可能发生的那样,例如,当生物找到对热或声音敏感的方式和/或找到与原始运动原语不同的运动方式时等等)

另一方面,生物的大脑具有结构和连接,这些结构和连接既是生物基因构成的产物,也是自身经验的产物。例如,用于确定神经元之间连接强度的主要算法使用赫比逻辑(也就是说,一起开火,一起连线)在生物的生命周期内(我猜在早期,因为算法通常有一个“冷却”因子,随着时间的推移,它最大程度地降低了它改变事物的能力)。目前还不清楚该模型是否包含某种形式的拉马克进化,其中一些高级行为[直接]通过基因传递,而不是[可能]每一代都重新学习(在某些遗传传递结构的间接基础上)

ALife和GA之间的显著差异(还有其他的!)在ALife中,重点是以非定向的方式观察和培养紧急行为,不管它们是什么,例如,当一些生物进化出一种化妆品,促使它们在附近等待成堆的绿色食物,等待深绿色生物杀死它们,或者一些生物可能开始合作h彼此,例如,通过寻找彼此的存在,而不是为了交配等目的。使用遗传算法,重点是正在进化的程序的特定行为。例如,目标可能是让程序识别视频图像中的边缘,因此在这一特定方向上有利于进化。个体在进化方面,更好地完成这项任务的程序(用一些“适应度函数”来衡量)受到青睐

另一个不太明显但重要的区别在于生物(或GA中的程序)的方式繁衍后代。使用ALIF,个体生物开始时会随机找到自己的交配伙伴,尽管过一段时间后,它们可能会学会只与表现出特定属性或行为的生物繁衍后代。而使用GA,个体生物则会“性”由GA框架本身决定,例如,它选择在fitn中得分较高的杂交个体(及其克隆)