論文の概要: Understanding fitness landscapes in morpho-evolution via local optima
networks
- arxiv url: http://arxiv.org/abs/2402.07822v1
- Date: Mon, 12 Feb 2024 17:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 13:18:20.636228
- Title: Understanding fitness landscapes in morpho-evolution via local optima
networks
- Title(参考訳): 局所最適ネットワークによるモルフォ進化におけるフィットネスランドスケープの理解
- Authors: Sarah L. Thomson, L\'eni K. Le Goff, Emma Hart, Edgar Buchanan
- Abstract要約: モルフォ進化(Morpho-evolution、ME)とは、ロボットの設計とコントローラを同時に最適化し、タスクと環境が与えられた性能を最大化することを指す。
従来の研究では、目的関数に対する性能と評価される設計の多様性に関して、エンコーディングの実証的な比較を行っているが、この結果を説明する試みは行われていない。
移動作業のためのロボットを進化させる際の3つの異なるエンコーディングによって引き起こされるフィットネスランドスケープの構造について検討し、異なるフィットネスランドスケープを探索プロセスで横断できる容易性に新たな光を当てる。
- 参考スコア(独自算出の注目度): 0.1843404256219181
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Morpho-evolution (ME) refers to the simultaneous optimisation of a robot's
design and controller to maximise performance given a task and environment.
Many genetic encodings have been proposed which are capable of representing
design and control. Previous research has provided empirical comparisons
between encodings in terms of their performance with respect to an objective
function and the diversity of designs that are evaluated, however there has
been no attempt to explain the observed findings. We address this by applying
Local Optima Network (LON) analysis to investigate the structure of the fitness
landscapes induced by three different encodings when evolving a robot for a
locomotion task, shedding new light on the ease by which different fitness
landscapes can be traversed by a search process. This is the first time LON
analysis has been applied in the field of ME despite its popularity in
combinatorial optimisation domains; the findings will facilitate design of new
algorithms or operators that are customised to ME landscapes in the future.
- Abstract(参考訳): モルフォ進化(Morpho-evolution、ME)とは、ロボットの設計とコントローラを同時に最適化し、タスクと環境が与えられた性能を最大化することを指す。
設計と制御を表現できる多くの遺伝子エンコーディングが提案されている。
従来の研究は、客観的機能と評価される設計の多様性に関して、その性能の観点からのエンコーディングの実証的な比較を提供しているが、観察された結果を説明する試みはない。
そこで我々はLocal Optima Network (LON) を用いて3つの異なるエンコーディングによって引き起こされるフィットネスランドスケープの構造を解析し、ロコモーションタスクのためにロボットを進化させる際に、異なるフィットネスランドスケープを探索プロセスで横切ることの容易さに新たな光を当てる。
組合せ最適化ドメインで人気があるにもかかわらず、MEの分野でLON分析が適用されたのはこれが初めてであり、この発見により、MEランドスケープにカスタマイズされた新しいアルゴリズムや演算子の設計が容易になる。
関連論文リスト
- Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳(メタデータ) (2024-01-24T01:33:39Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Transformer-Based Learned Optimization [37.84626515073609]
ニューラルネットワークを用いて計算の更新ステップを表現できる学習最適化手法を提案する。
私たちの革新は、古典的なBFGSアルゴリズムにインスパイアされた、新しいニューラルネットワークアーキテクチャです。
最適化アルゴリズムの評価に伝統的に用いられてきた目的関数からなるベンチマークにおいて,提案手法の利点を実証する。
論文 参考訳(メタデータ) (2022-12-02T09:47:08Z) - T3-Vis: a visual analytic framework for Training and fine-Tuning
Transformers in NLP [0.0]
本稿では,研究者を支援する視覚分析フレームワークの設計と実装について述べる。
我々のフレームワークは、ユーザーがモデルの異なる面を探索できる直感的な概要を提供する。
これは、モデルコンポーネントと入力シーケンスの異なる部分の重要性を計算する組込みアルゴリズム群を可能にする。
論文 参考訳(メタデータ) (2021-08-31T02:20:46Z) - Dynamically Grown Generative Adversarial Networks [111.43128389995341]
本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。
本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
論文 参考訳(メタデータ) (2021-06-16T01:25:51Z) - Neuroevolution-Enhanced Multi-Objective Optimization for Mixed-Precision
Quantization [6.060757543617328]
混合精度量子化は、ニューラルネットワークワークロードのメモリと計算の節約を可能にする強力なツールである。
近年の研究では、混合精密量子化技術の適用が顕著に進んでいる。
自動混合精度量子化のためのフレキシブルでスケーラブルなフレームワークを提案する。
論文 参考訳(メタデータ) (2021-06-14T17:15:15Z) - Analogous to Evolutionary Algorithm: Designing a Unified Sequence Model [58.17021225930069]
実演的進化アルゴリズム(EA)と類似した視覚変換器の合理性について説明する。
我々は、より効率的なEATモデルを提案し、様々なタスクに柔軟に対処するタスク関連ヘッドを設計する。
近年のビジョントランスに比べて,イメージネット分類作業における最先端の成果が得られている。
論文 参考訳(メタデータ) (2021-05-31T16:20:03Z) - Emergent Hand Morphology and Control from Optimizing Robust Grasps of
Diverse Objects [63.89096733478149]
多様な物体をつかむために、効果的なハンドデザインが自然に現れるデータ駆動型アプローチを紹介します。
形態と把持スキルを共同で効率的に設計するベイズ最適化アルゴリズムを開発した。
我々は,新しい物体をつかむための堅牢で費用効率のよい手形態を発見するためのアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-12-22T17:52:29Z) - Multi-layer local optima networks for the analysis of advanced local
search-based algorithms [0.6299766708197881]
ローカルオプティマスネットワーク(Local Optima Network, LON)は、特定の近傍演算子と局所探索アルゴリズムに基づいて、特定の最適化問題のフィットネスランドスケープを圧縮するグラフモデルである。
本稿では、多層LONの概念と、フィットネスランドスケープ分析のためのメトリクス抽出を目的としたこれらのモデルを探索するための方法論を提案する。
論文 参考訳(メタデータ) (2020-04-29T03:20:01Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳(メタデータ) (2020-03-24T09:56:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。