TWEANN-Ansatz zum Problem des Balancierens mit doppelten Polen

Wir diskutieren die Wirkung der Mutationswahrscheinlichkeiten auf die Leistung von mutationsbasierten evolutionären künstlichen neuronalen Netzwerken (MBEANN), die eine der Methoden der Topologie und Gewichtsevolution von künstlichen neuronalen Netzwerken (TWEANN) ist. TWEANN ist ein Ansatz zur evolutionären Entwicklung sowohl der Strukturen als auch der Gewichte von künstlichen neuronalen Netzwerken. TWEANN wird erwartet, besser abzuschneiden als ein Ansatz, der ein Netzwerk mit fester Topologie verwendet, bei dem nur die Gewichtswerte weiterentwickelt werden. Der Phänotyp von MBEANN besteht aus Teilnetzwerken, und die Topologie des neuronalen Netzwerks wächst unabhängig innerhalb dieser. Darüber hinaus sind die strukturellen Mutationen von MBEANN so gestaltet, dass sie den Einfluss auf den Fitnesswert verringern. In dieser Studie konzentrieren wir uns auf die Wirkung der strukturellen Mutationswahrscheinlichkeiten auf die Leistung, indem wir ein Problem des Balancierens mit doppelten Polen ohne Geschwindigkeitsinputs verwenden. Die Leistung von MBEANN wird mit der NeuroEvolution von augmentierten Topologien (NEAT) verglichen, die eine typische Methode von TWEANN ist. Die Ergebnisse zeigen, dass MBEANN eine höhere Aufgabenverwirklichungsrate hat, unabhängig von den Mutationswahrscheinlichkeiten und der Aufgabenschwierigkeit. Im Vergleich zu NEAT zeigt MBEANN eine höhere Leistung selbst mit einer größeren Netzwerkstruktur aufgrund des Phänotyps, der aus Teilnetzwerken besteht.