Promoter Based Genetic Algorithm
El Promoter Based Genetic Algorithm (PBGA) és un algoritme genètic para neuroevolución desenrollat per F. Belles i R.J. Dur en la Universidade dona Coruña. El PBGA evoluciona una perceptrón multicapa de tamany variable que es codifica en seqüències de gens per a construir les unitats bàsiques que creen la ret. Cada unitat neuronal bàsica està precedida d'un gen promotor que actua com un interruptor determinant si eixa unitat en concret es mostra o no en la ret resultant.
PBGA: Conceptes bàsics
[editar | editar còdic]L'unitat bàsica en el PBGA és una neurona en totes les seues conexions sinápticas entrantes, tal i com es representa en la figura següent:
El genotip d'una unitat bàsica és un conjunt de pesos reals seguits pels paràmetros de la funció d'activació de la neurona i precedits per un valor binario que representa al gen promotor, i que determina si dita neurona estarà present o no en el fenotip. Concatenant unitats d'este tipo en una estructura perceptrón, podem construir la ret completa.
En esta codificació imponem que l'informació que no s'expressa en el fenotip es mantinga en el genotip durant l'evolució, pero protegida de la pressió selectiva directa, mantenint aixina la diversitat en la població, una de les premisses de disseny de el PBGA. Ademés, en esta codificació s'establix una clara diferència entre l'espai de busca i l'espai de solucions, permetent que l'informació depresa almagasenada en el genotip es preserve per mig d'un simple “apagat” dels gens promotors.
Resultats
[editar | editar còdic]El PBGA va ser presentat originalment en dos treballs[1][2] en problemes relacionats en la robòtica autònoma, concretament en l'obtenció en temps real de models de l'entorn del robot.
S'ha utilisat en el marc del mecanisme cognitiu MDB (Multilevel Darwinist Brain) desenrollat en la Universidade dona Coruña per a l'aprenentage en temps real de robots autònoms. En un atre treball[3] es demostra cóm l'us de el PBGA junt en una memòria externa a l'algoritme que almagasene aquells models de món que han resultat satisfactoris, és una estratègia òptima per a l'adaptació en entorns dinàmics.
Recentment, el PBGA ha proporcionat resultats superiors a atres algoritmes de neuroevolución en problemes no estacionarios, a on la funció de calitat varia en el temps.[4]
Referències
[editar | editar còdic]- ↑ F. Belles, R. J. Dur, (2002) Statistically neutral promoter based GA for evolution with dynamic fitness functions, Proc. of IASTED International Conference Artificial Intelligence and Applications
- ↑ F. Belles, R. J. Dur, (2002) Modelling the world with statiscally neutral PBGAs. Enhancement and real applications, Proc. 9th Internacional Conference on Neural Information Processing
- ↑ F. Belles, A. Faiña, A. Prieto, and R.J. Dur (2006), Adaptive Learning Application of the MDB Evolutionary Cognitive Architecture in Physical Agents, Lecture notes on artificial intelligence, vol 4095, 434-445
- ↑ F. Belles, J.A. Becerra, R. J. Dur, (2009), Using Promoters and Functional Introns in Genetic Algorithms for Neuroevolutionary Learning in Senar-Stationary Problems, Neurocomputing 72, 2134-2145
Referències
[editar | editar còdic]
- Este artícul conté una traducció derivada de «Promoter Based Genetic Algorithm» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.