研究论文

利用种间相关性发现精英超容量

作者:

瓦西里斯瓦西里亚德斯和

珍妮·巴普蒂斯特穆莱作者信息和声明

GECCO’18：遗传和进化计算会议记录

2018年7月

页149-156

https://doi.org/10.1145/3205455.3205602

出版:2018年7月2日出版历史

获取访问权限

摘要

进化产生了惊人的物种多样性，每个物种都占据了不同的生态位。MAP-Elites等算法模拟了这种不同的进化过程，以找到一组行为多样但性能高的解决方案，称为精英。我们的关键见解是，自然界中的物种通常共享其基因组的很大一部分，尽管它们占据着非常不同的生态位；同样，精英也可能集中在一个特定的“精英超体积”中，其形状由他们的共同特征决定。在本文中，我们首先介绍了精英超容量的概念，并提出了两个指标来表征它：基因型扩散和基因型相似性。然后，我们引入了一种新的变异算子，称为“方向变异”，该算子利用物种间（或物种间）的相关性来加速MAP-elites算法。我们在三个问题（玩具功能、冗余机械臂和六足机器人）中证明了该操作员的有效性。

工具书类

[1]

M.D.Adams等人，2000年。黑腹果蝇基因组序列。科学类287, 5461 (2000), 2185--2195.

[2]

R.B.Agrawal和K.Deb。1995.连续搜索空间的模拟二进制交叉。复杂系统9, 2 (1995), 115--148.

[3]

A.Ahrari、K.Deb和M.Preuss。2017.基于协方差矩阵自适应进化策略和排斥子种群的多模态优化。进化。计算。25, 3 (2017), 439--471.

数字图书馆

[4]

G.Bejerano等人，2004年。人类基因组中的超保守元素。科学类304, 5675 (2004), 1321--1325.

[5]

H.-G.Beyer和H.-P.Schwefel。2002.进化策略-全面介绍。自然计算1, 1 (2002), 3--52.

数字图书馆

[6]

B.Blonder等人，2014年。n维超体积。全球生态和生物地理学23, 5 (2014), 595--609.

[7]

A.Bouter等人，2017年。利用实值遗传池最优混合进化算法挖掘实值优化中的链接信息。在GECCO公司。705--712.

数字图书馆

[8]

K.Chatzilygeroudis、V.Vassiliades和J.-B.Mouret。2018.机器人损伤恢复的免重置试验和错误学习。机器人和自治系统100 (2018), 236 -- 250.

[9]

E.Conti等人，2017年。通过一群寻求新颖的代理来改进对深度强化学习进化策略的探索。CoRR公司abs/1712.06560（2017年）。

[10]

A.Cully等人，2015年。能像动物一样适应环境的机器人。自然521, 7553 (2015), 503--507.

[11]

A.Cully和Y.Demiris，2017年。质量和多样性优化：统一的模块化框架。IEEE传输。进化。计算。(2017).

[12]

K.Deb、A.Anand和D.Joshi。2002.用于实际参数优化的计算效率高的进化算法。进化。计算。10, 4 (2002), 371--395.

数字图书馆

[13]

K.Deb和H.G.Beyer。2001.具有模拟二进制交叉的自适应遗传算法。进化。计算。9, 2 (2001), 197--221.

数字图书馆

[14]

K.Deb、A.Sinha和S.Kukkonen。2006.多目标测试问题、联系和进化方法。在GECCO公司。1141--1148.

数字图书馆

[15]

M.Duarte等人，2016年。EvoRBC：具有任意运动复杂性的机器人的基于进化库的控制。在GECCO公司。93--100.

数字图书馆

[16]

L.J.Eshelman和J.D.Schaffen，1993年。实数编码遗传算法和区间模式。在遗传算法基础。第2卷。爱思唯尔，187-202。

[17]

A.Gaier、A.Asteroth和J.-B.Mouret。2017.通过代孕辅助照明实现多样化设计的数据高效探索、优化和建模。在GECCO公司。99--106.

数字图书馆

[18]

N.Hansen和A.Ostermier。2001.进化策略中完全失去自我适应能力。进化。计算。9, 2 (2001), 159--195.

数字图书馆

[19]

G.R.哈里克。1995.使用受限锦标赛选择找到多模式解决方案。在程序。第六届国际遗传算法大会。24--31.

数字图书馆

[20]

H.Jain和K.Deb。2011.SBX算子中用于实参数优化的以母均值为中心的自适应。在群集、进化和模因计算国际会议。施普林格，299--306。

数字图书馆

[21]

K.Kim等人，2014年。遗传规划中的概率模型构建：一篇评论。遗传编程与进化机器15 (2014), 115--167.

数字图书馆

[22]

A.Kume等人，2017年。基于地图的多策略强化学习：通过深度强化学习增强机器人的适应性。CoRR公司abs/1710.06117（2017）。

[23]

P.Larrañaga和J.A.Lozano。2001分布算法估计：进化计算的新工具。第2卷。施普林格科技与商业媒体。

[24]

J.Lehman、S.Risi和J.Clune。2016年，利用深度学习和创新引擎创造3D物体。在程序。第七届实习生。计算上的冲突。创造力。索尼CSL，法国巴黎，180-187。

[25]

J.Lehman和K.O.Stanley。2008年，利用开放性通过寻找新奇解决问题。在阿里夫。329--336.

[26]

J.Lehman和K.O.Stanley。2011年，通过新奇搜索和本地竞争发展虚拟生物多样性。在GECCO公司。211--218.

数字图书馆

[27]

S.C.Maree等人，2017年。基于分层高斯混合学习的小生境估计f分布算法。在GECCO公司。713--720.

数字图书馆

[28]

J.-B.Mouret和J.Clune。2015年，通过绘制精英地图照亮搜索空间。CoRR公司abs/1504.04909（2015）。

[29]

A.Nguyen、J.Yosinski和J.Clune。2015.深度神经网络很容易被愚弄：对无法识别的图像的高置信度预测。在CVPR公司。IEEE，427-436。

[30]

A.Nguyen、J.Yosinski和J.Clune。2016.了解创新引擎：通过深度学习实现自动化创新和改进的随机优化。进化。计算。24 (2016), 545--572.

数字图书馆

[31]

I.小野和S.小林。1997。使用单峰正态分布交叉的函数优化实数编码遗传算法。在程序。第七届国际遗传算法大会。246--253.

[32]

J.U.Pontius等人，2007年。猫基因组的初始序列和比较分析。基因组研究17, 11 (2007), 1675--1689.

[33]

M.普劳斯。2010年。通过最近聚类实现CMA-ES的小生境。年GECCO公司。1711--1718.

数字图书馆

[34]

M.Preuss、L.Schönemann和M.Emmerich。2005.在多模式健身环境中对抗（&mu；，+λ）-EA中的遗传漂变和破坏性重组。在GECCO公司。865--872.

数字图书馆

[35]

J.K.Pugh、L.B.Soros和K.O.Stanley。2016.质量多样性：进化计算的新前沿。机器人和人工智能的前沿3 (2016), 40.

[36]

H.-P.施韦费尔。进化系统中的集体现象。在国际通用系统研究学会第三十一届年会。1025--1033.

[37]

H.-P.施韦费尔。1993进化和优化寻求。John Wiley&Sons公司。

数字图书馆

[38]

O.M Shir、M.Emmerich和T.Bäck。2010年，采用CMA-ES进行生态位划分的自适应生态位半径和生态位形状方法。进化。计算。18, 1 (2010), 97--126.

数字图书馆

[39]

D.Smith、L.Tokarchuk和G.Wiggins。2016年，通过层次空间划分进行快速表型景观探索。在PPSN。911--920.

[40]

K.O.Stanley、D.B.D’Ambrosio和J.Gauci。2009。一种用于进化大规模神经网络的基于超立方体的编码。人工生命15, 2 (2009), 185--212.

数字图书馆

[41]

K.O.Stanley和J.Lehman。2015为什么不能计划伟大：目标的神话。斯普林格。

数字图书馆

[42]

K.O.Stanley和R.Miikkulainen。2002.通过增强拓扑进化神经网络。进化。计算。10, 2 (2002), 99--127.

数字图书馆

[43]

S.Tsutsui、M.Yamamura和T.Higuchi。1999.实数编码遗传算法中带单纯形交叉的多对重组。在GECCO公司。657--664.

数字图书馆

[44]

V.Vassiliades、K.Chatzilygeroudis和J.-B.Mouret。2017.比较多模式优化和照明。在GECCO’17伙伴。97--98.

数字图书馆

[45]

V.Vassiliades、K.Chatzilygeroudis和J.-B.Mouret。2017年，无界空间中照明算法的比较。在GECCO’17伙伴。1578--1581.

数字图书馆

[46]

V.Vassiliades、K.Chatzilygeroudis和J.-B.Mouret。2017.使用形心Voronoi细分扩大表型精英算法的多维存档。IEEE传输。进化。计算。(2017).

[47]

D.Wierstra等人，2008年。自然进化战略。在CEC公司。IEEE，3381-3387。

引用人

加什佩罗夫BĐurasevićM雅各波维奇D(2024)在进化强化学习中更多地利用生物学进化计算的应用10.1007/978-3-031-56855-8_6(91-114)在线发布日期：2024年3月21日
https://doi.org/10.1007/978-3-031-56855-8_6
加什佩罗夫BĐurasevićMJakobovic D型(2024)寻找具有质量多样性的接近最优的投资组合进化计算的应用10.1007/978-3-031-56852-7_1(3-18)在线发布日期：2024年3月21日
https://doi.org/10.1007/978-3-031-56852-7_1
Hegde S公司巴特拉SZentner K公司Sukhatme G公司哦，A诺曼TGloberson A公司Saenko K公司哈德·M莱文S(2023)使用潜在扩散模型生成行为多样性政策第37届神经信息处理系统国际会议记录10.5555/3666122.3666454(7541-7554)在线发布日期：2023年12月10日
https://dl.acm.org/doi/10.5555/3666122.3666454
显示更多引用者

索引术语

利用种间相关性发现精英超体
1. 计算方法
  1. 人工智能
    1. 计划和调度
      1. 机器人规划
        进化机器人
2. 计算理论
  1. 算法的设计和分析
    1. 数学优化
      1. 离散优化
        随机搜索启发式优化
        进化算法

建议

行为空间快速照明的协方差矩阵自适应
GECCO’20：2020年遗传和进化计算会议记录

我们专注于在复杂的连续领域中寻找不同质量解决方案集合的挑战。而质量多样性（QD）算法，如具有本地竞争的新颖性搜索（NSLC）和MAP精英，旨在生成多样化的。。。
阅读更多信息
无界空间中照明算法的比较
GECCO’17：遗传和进化计算会议纪要

照明算法是一类新的进化算法，能够生成各种高性能解决方案的大型存档。此类算法的示例包括具有局部竞争的新颖性搜索（NSLC）、多维。。。
阅读更多信息
比较多模式优化和照明
GECCO’17：遗传和进化计算会议纪要

照明算法是进化计算工具箱中最近添加的一种算法，允许在一次运行中生成多种多样的高性能解决方案。然而，传统的多模态优化算法也在搜索。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片ACM会议

GECCO’18：遗传与进化计算会议论文集

2018年7月

1578页

国际标准图书编号：9781450356183

内政部：10.1145/3205455

编辑：
埃尔南·阿吉雷
新竹大学
,
总主席：
凯基·塔卡达玛
电子通信大学

版权所有©2018 ACM。

如果复制品不是为了盈利或商业利益而制作或分发的，并且复制品的第一页载有本通知和完整引文，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用。必须尊重作者以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护].

赞助商

SIGEVO:ACM遗传和进化计算特别兴趣小组

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2018年7月2日

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章

资金来源

欧洲研究理事会

会议

GECCO’18

赞助商：

西格沃

GECCO’18：遗传和进化计算会议

2018年7月15日至19日

日本京都

接受率

4410份提交文件中的总接受率为1669份，占38%

即将召开的会议

GECCO’24

赞助商：
西格沃

遗传和进化计算会议

2024年7月14日至18日

墨尔本，维多利亚州，澳大利亚

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

37
引文总数
查看引文
277
下载总量

下载次数（过去12个月）39
下载次数（最近6周）10

其他指标

查看作者指标

引文

引用人

加什佩罗夫BĐurasevićM雅各波维奇D(2024)在进化强化学习中更多地利用生物学进化计算的应用10.1007/978-3-031-56855-8_6(91-114)在线发布日期：2024年3月21日
https://doi.org/10.1007/978-3-031-56855-8_6
加什佩罗夫B德乌拉舍维奇M雅各波维奇D(2024)寻找具有质量差异的近最优投资组合进化计算的应用10.1007/978-3-031-56852-7_1(3-18)在线发布日期：2024年3月21日
https://doi.org/10.1007/978-3-031-56852-7_1
Hegde S公司巴特拉SZentner K公司Sukhatme G公司哦，A诺曼TGloberson A公司Saenko K公司哈德·M莱文S(2023)使用潜在扩散模型生成行为多样性政策第37届神经信息处理系统国际会议记录10.5555/3666122.3666454(7541-7554)在线发布日期：2023年12月10日
https://dl.acm.org/doi/10.5555/3666122.3666454
田村K(2023)CVT-MAP-Elites推出本地搜索和精英个人部分解决方案エリート個体部分解による局所探索を導入したCVT-MAP-网站IEEJ电子、信息和系统交易10.1541/ieejeis.143.525143:4(525-526)在线发布日期：2023年4月1日
https://doi.org/10.1541/ieejeiss.143.525
哈格AKliemank M公司Asteroth A公司王尔德·D贝德鲁卡MFoysi H公司里思·D(2023)通过二维预优化实现三维建筑的高效质量多样性优化进化计算10.1162/evco_a_0032631:3(287-307)在线发布日期：2023年9月1日
https://doi.org/10.1162/evco_a_00326
皮戈齐F羽绒服E巴托利A罗切利M(2023)影响进化模块化机器人多样性和有效性的因素ACM进化学习与优化汇刊10.1145/3587101三:1(1-33)在线发布日期：2023年4月5日
https://dl.acm.org/doi/10.1145/3587101
克里斯托K克里斯托杜鲁C瓦西利亚德斯五世席尔瓦·S壁纸L(2023)使用IsoLineDD操作符优化质量多样性：正向和反向同样重要遗传和进化计算同伴会议记录10.1145/3583133.3590737(639-642)在线发布日期：2023年7月15日
https://dl.acm.org/doi/10.1145/3583133.3590737
史密斯S林BJanmohamed H公司卡利A席尔瓦·S壁纸L(2023)基于动态感知和无重置学习的物理机器人质量多样性优化遗传和进化计算同伴会议记录10.1145/3583133.3590625(171-174)在线发布日期：2023年7月15日
https://dl.acm.org/doi/10.1145/3583133.3590625
Janmohamed H公司Pierrot T公司卡利A席尔瓦·S壁纸L(2023)通过梯度辅助和拥挤探测提高多目标质量多样性的数据效率遗传和进化计算会议记录10.1145/3583131.3590470(165-173)在线发布日期：2023年7月15日
https://dl.acm.org/doi/10.1145/3583131.3590470
加什佩罗夫BĐurasevićM席尔瓦·S壁纸L(2023)神经进化发散搜索中的进化性和行为场景遗传和进化计算会议记录10.1145/3583131.3590427(1203-1211)在线发布日期：2023年7月15日
https://dl.acm.org/doi/10.1145/3583131.3590427
显示更多引用者

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

媒体

数字

其他

桌子