Algoritmo Neuroevolucionário que implementa comportamentos inatos por meio de agentes autônomos / A Neuroevolutionary Algorithm that implements innate behaviors through autonomous agents
DOI:
https://doi.org/10.34117/bjdv5n12-163Keywords:
Redes Neurais Artificiais, agentes autônomos, comportamento animalAbstract
Este artigo apresenta um Sistema Inspirado Biologicamente, capaz de implementar comportamentos inatos através de agentes autônomos. Considerações são feitas sobre os paradigmas biológicos utilizados, como mecanismos evolutivos e comportamentos inatos dos animais, tentando encontrar soluções que, uma vez aplicadas ao desenvolvimento de dispositivos artificiais, forneçam agentes autônomos mais robustos e úteis para operar no mundo real. Para ter maior probabilidade de sobreviver, os seres vivos devem ter desenvolvido comportamentos mais complexos, como reativos e motivados internamente, nos quais a ação do agente deve depender da história passada de valores sensoriais para ser eficaz. Após a descrição desse sistema híbrido, realizamos simulações de duas tarefas utilizando o aprendizado por reforço: Taxies e Reflexos, comportamentos reativos e instintivos. Os resultados indicam a eficiência da técnica na seleção de arquiteturas econômicas de RNAs para todos os problemas, tendo em vista que a capacidade de generalização dos mesmos foi em média 99% com os seguintes erros médios quadráticos (EMQ) 0,00025 e 0,00012 respectivamente para os dois problemas estudados. Finalmente, as conclusões são dadas.
References
Bengio, Y., Lamblin, P., Popovici, D. & Larochelle, H. Greedy layer-wise training of deep networks. In Proc. Advances in Neural Information Processing Systems 19 153–160 (2006).
Boozarjomehry, R. B.—Svrcek, W. Y.: Automatic Design of Neural Networks Structures. Computers and Chemical Engineering, Vol. 25, 2001, No. 7-8, pp. 1075–1088, doi: 10.1016/S0098-1354(01)00680-9.
Bukhtoyarov, V.—Semenkin, E.: Evolutionary Three-Stage Approach for Designing of Neural Networks Ensembles for Classification Problems. In: Tan, Y., Shi, Y., Mo, H. (Eds.): Advances in Swarm Intelligence (ICSI 2013)., Lecture Notes in Computer Science, 2013, pp. 467–477.
De Campos, Lídio Mauro Lima, de Oliveira, Roberto Célio Limão, Roisenberg, Mauro. Optimization of neural networks through grammatical evolution and a genetic algorithm, Expert Systems with Applications, 2016, Pages 368-384, ISSN 0957-4174.
FRANÇA, Thayanne et al. An Agent Program Capable of Applying Local Search Strategies in the State Space of Well-Defined Problems. Anais do Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), [S.l.], p. 377-388, oct. 2018. ISSN 0000-0000.
Gauci, J.—Stanley, K. O.: Autonomous Evolution of Topographic Regularities in Artificial Neural Networks. Neural Computation, 2010, pp. 1860–1898, doi: 10.1162/neco.2010.06-09-1042.
Hinton, G. E., Osindero, S. & Teh, Y.-W. A fast learning algorithm for deep belief nets. Neural Comp. 18, 1527–1554 (2006).
Kazaryan, D. E.—Savinkov, A. V.: Grammatical Evolution for Neural Network Optimization in the Control System Synthesis Problem. Procedia Computer Science, Vol. 103, 2017, pp. 14–19, doi: 10.1016/j.procs.2017.01.002.
Kromer, P. Plato ¨ ?s, J.—Sna´?sel, V.: Nature-Inspired Meta-Heuristics on Modern GPUs: State of the Art and Brief Survey of Selected Algorithms. International Journal of Parallel Programming, 2014, pp. 681–709, doi: 10.1007/s10766-013-0292-3.
Kitano, H.: Designing Neural Networks Using Genetic Algorithms with Graph Generation System. Complex Systems, Vol. 4, 1990, pp. 461–476.
Lee, D.-W.—Kong, S. G.—Sim, K.-B.: Evolvable Neural Networks Based on Developmental Models for Mobile Robot Navigation. Proceedings of 2005 IEEE International Joint Conference on Neural Networks (IJCNN ’05), 2005, pp. 337–342.
Miller, G. F.—Todd, P. M.—Hegde, S. U.: Designing Neural Networks Using Genetic Algorithms. Proceedings of the Third International Conference on Genetic Algorithms, Morgan Kaufmann Publishers Inc., 1989, pp. 379–384.
Ojha, V. K.—Dutta, P.—Chaudhuri, A.—Saha, H.: Understating Continuous Ant Colony Optimization for Neural Network Training: A Case Study on Intelligent Sensing of Manhole Gas Components. International Journal of Hybrid Intelligent Systems, 2015, No. 4, pp. 185–202.
Roisenberg, M., Barreto, J.M. e de Azevedo, F.M.; “Implementing Behaviors with Artificial Neural Networks”. WRI’97 - Workshop de Robótica Inteligente, Brasília, DF. Agosto, 1997.
Risi, S.—Stanley, K. O.: An Enhanced Hypercube-Based Encoding for Evolving the Placement, Density, and Connectivity of Neurons. Artificial Life, 2012, pp. 331–363.
Sanchez, D.—Melin, P. ´ : Optimization of Modular Granular Neural Networks Using Hierarchical Genetic Algorithms for Human Recognition Using the Ear Biometric Measure. Engineering Applications of Artificial Intelligence, 2014, pp. 41–56, doi: 10.1016/j.engappai.2013.09.014.
Stanley, K. O. Miikkulainen, R.: Evolving Neural Networks Through Augmenting Topologies. Evolutionary Computation, 2002, pp. 99–127, doi: 10.1162/106365602320169811.
Such, F. P., Madhavan, V., Conti E., Lehman J., Stanley K.O., Clune Jeff. Deep Neuroevolution: Genetic Algorithms Are a Competitive Alternative for Training Deep Neural Networks for Reinforcement Learning. CoRR, 2017.
Sutton, R. S. & Barto, A. G. Reinforcement Learning: An Introduction (MIT Press, Cambridge, 2018).
Zhang, J.-R.—Zhang, J.—Lok, T.-M.—Lyu, M. R.: A Hybrid Particle Swarm Optimization-Back-Propagation Algorithm for Feedforward Neural Network Training. Applied Mathematics and Computation, Vol. 185, 2007, No. 2, pp. 1026–1037, Special Issue on Intelligent Computing Theory and Methodology.
