Gelen bu makalede , yazar iddialar (açık hedefler olmadan) tek başına yenilik yoluyla evrim rehberlik daha iyi net amaç kullanmaktan daha sorunların çözülebileceğini. Başka bir deyişle, bir genetik ölçünün genetik algoritma için uygunluk fonksiyonu olarak kullanılması, hedefe yönelik uygunluk işlevinden daha iyi çalışır. Bu nasıl mümkün olabilir?
Yanıtlar:
Bu AI SE sorusunun bir cevabında açıklandığı gibi , GA'lar 'optimize ediciler' yerine 'tatmin edicilerdir' ve arama alanının 'dış' bölgelerini keşfetme eğilimindedir. Daha ziyade, popülasyon, fitness fonksiyonuna göre 'oldukça iyi' bölgelerde kümelenme eğilimindedir.
Buna karşılık, inanıyorum ki yenilik, popülasyonu daha önce keşfedilen alanlardan uzağa itme eğiliminde olan bir tür dinamik uygunluk sağlıyor.
Yenilik araştırması, yeniliğin alana bağlı bazı tanımlarıyla "yeni davranış" ı seçer. Örneğin, bir Labirent çözme alanındaki yenilik "keşfedilen rota farkı" olabilir. Sonunda, labirentte mümkün olan her rotayı izleyen ağlar bulunur ve daha sonra en hızlı olanı seçebilirsiniz. Bu, labirenti asla çözmeyen yerel bir optima ile kolayca sonuçlanabilecek, hedefe uzaklık gibi saf bir "objektif" den çok daha iyi çalışır.
Gönderen Evrimi Tek Başına bir yenilik için Arama üzerinden: Hedefler Terk (vurgu benim):
Yenilik arayışında, evrim, geleneksel ilerlemeyi geleneksel bir nesnel işlevle ölçmek yerine, yenilik metriği adı verilen bir davranışsal yenilik ölçüsü kullanır. Aslında, böyle bir metrik tarafından yönlendirilen bir araştırma, doğal evrimin pasif olarak ne yaptığını açık bir şekilde gerçekleştirir, yani karmaşıklık merdiveni yükselen yeni formları yavaş yavaş biriktirir.
Örneğin, iki ayaklı bir hareket alanında, ilk denemeler düşebilir. Yenilik metriği, nesnel davranışa daha yakın olup olmadığına bakılmaksızın farklı bir şekilde düşmeyi ödüllendirecektir. Buna karşılık, nesnel bir işlev açıkça en uzağa düşmeyi ödüllendirebilir, bu da muhtemelen nihai yürüme amacına yol açmaz ve bu nedenle aldatıcı bir yerel optimumu örneklendirir. Aksine, yenilik arayışında, en yeni keşifleri temsil eden bir dizi örnek korunur. Daha sonra arama, bu temsili davranışlardan atlar. Düşmenin birkaç yolu keşfedildikten sonra, ödüllendirmenin tek yolu hemen düşmeyen bir davranış bulmaktır . Bu şekilde, davranışsal karmaşıklık aşağıdan yukarıya doğru artar.Sonunda, yeni bir şey yapmak için, biped, nesnel olmasa bile, bir miktar mesafe için başarılı bir şekilde yürümek zorunda kalacaktı .