Genetické algoritmy v evoluční robotice

Abstract

Tato práce se věnuje experimentálnímu porovnání evoluce neuronové sítě pro řízení robota za pomoci různých variant genetických algoritmů. Na třech úlohách evoluční robotiky jsou porovnány algoritmy používající reálné a celočíselné kódování jedinců, algoritmy používající základní a pokročilé způsoby mutací a křížení a algoritmy s pevnou a variabilní velikostí populace. Cílem je určit, zda evoluce s použitím pokročilých genetických algoritmů vede k rychlejší konvergenci nebo k nalezení kvalitnějšího řešení než použití základního genetického algoritmu. Experimenty jsou provedeny v snadno rozšiřitelném simulátoru vyvinutém speciálně pro účely této práce.

Through series of experiments this work compares effects of different types of genetic algorithms on evolution of a neural network that is used to control a robot. Genetic algorithms using binary and real coded individuals, algorithms using basic and advanced mutations and crossovers and algorithms using fixed and variable population size are compared on three tasks of evoltionary robotics. The goal is to determine wether usage of advanced genetic algorithms leads to faster convergence or to better solution than usage of basic genetic algorithm. Experiments are performed in an easily extendable simulator developed for purposes of this work.