NEAT in HyperNEAT Substituted with Genetic Programming
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F09%3A00159310" target="_blank" >RIV/68407700:21230/09:00159310 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
NEAT in HyperNEAT Substituted with Genetic Programming
Popis výsledku v původním jazyce
In this paper we present application of genetic programming (GP) to evolution of indirect encoding of neural network weights. We compare usage of original HyperNEAT algorithm with our implementation, in which we replaced the underlying NEAT with geneticprogramming. The algorithm was named HyperGP. The evolved neural networks were used as controllers of autonomous mobile agents (robots) in simulation. The agents were trained to drive with maximum average speed. This forces them to learn how to drive onroads and avoid collisions. The genetic programming lacking the NEAT complexification property shows better exploration ability and tends to generate more complex solutions in fewer generations. On the other hand, the basic genetic programming generatesquite complex functions for weights generation. Both approaches generate neural controllers with similar abilities.
Název v anglickém jazyce
NEAT in HyperNEAT Substituted with Genetic Programming
Popis výsledku anglicky
In this paper we present application of genetic programming (GP) to evolution of indirect encoding of neural network weights. We compare usage of original HyperNEAT algorithm with our implementation, in which we replaced the underlying NEAT with geneticprogramming. The algorithm was named HyperGP. The evolved neural networks were used as controllers of autonomous mobile agents (robots) in simulation. The agents were trained to drive with maximum average speed. This forces them to learn how to drive onroads and avoid collisions. The genetic programming lacking the NEAT complexification property shows better exploration ability and tends to generate more complex solutions in fewer generations. On the other hand, the basic genetic programming generatesquite complex functions for weights generation. Both approaches generate neural controllers with similar abilities.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
—
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2009
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Adaptive and Natural Computing Algorithms
ISBN
978-3-642-04920-0
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
10
Strana od-do
—
Název nakladatele
Springer
Místo vydání
Heidelberg
Místo konání akce
Kuopio
Datum konání akce
23. 4. 2009
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—