Self-Adaptation of Meta-Parameters for Lamarckian-Inherited Neuromodulated Neurocontrollers in the Pursuit-Evasion Game
Notice bibliographique
Résumé
Determining meta-parameter settings is a longstanding challenge in evolutionary computing, and often involves running repeated simulations with successive estimated values until acceptable values are found. The term metaevolution is often used to describe the optimization of one or more of the meta-parameters that control, for example, the rates of selection and variation in evolutionary optimization algorithms. Here we use self-adaptation to simultaneously evolve all of the practical meta-parameters together with the other evolved parameters as part of the main evolutionary algorithm. The meta-parameters are added to the gene, and evolved along with the other parameters. The evolved neurocontrollers with self-adaptation are compared to those with manually selected meta-parameters. Secondly, self-adapted meta-parameters from the best neurocontroller are used to evolve a further set of non-self-adapted neurocontrollers, and compared with the selfadapted and manually selected results. The effects of selfadaptation are determined through a series of experiments using a previously demonstrated multi-objective Lamarckianinherited neuromodulated evolutionary neurocontroller. The fitness of the evolved neurocontrollers is determined through their operation of a simulated vehicle pursuing a basic evader vehicle in the pursuit-evasion game. Both vehicles are subject to the effects of mass and drag. It is shown that self-adaptation can be used to automatically tune and control meta-parameters during evolution. Only a trivial amount of computational cost is added, and no degradation in evolutionary performance was observed. Under some circumstances self-adaptation may lead to improved performance of the evolutionary algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».