Evolutionary development of robotic organisms

Abstract

Od zveřejnění práce Karla Simse o evoluci virtuálních organizmů uplynulo již třináct let. Od té doby bylo publikováno několik přístupů k řešení genetických algoritmů a k evoluci neuronových sítí. Tato práce navrhuje nový algoritmus pro evoluci virtuálních organizmů. Představovaný algoritmus se nazývá Hierarchický NEAT a je rozšířením algoritmu NEAT (NeuroEvolution of Augmenting Topologies), který je schopen efektivně vyvíjet umělé neuronové sítě. Hierarchický NEAT aplikuje všechny tři hlavní složky algoritmu NEAT (ochranu evolučních inovací zavedením druhů, ohleduplné křížení organizmů a postupný vývin z minimální stavby těla) na evoluci stavby těla a kontrolního systému organizmů. Navíc algoritmus umožňuje citlivější křížení kontrolních systémů než původní metody. Experimenty prokázaly, že navrhovaný algoritmus výrazně zvyšuje výkon evoluce pro všechny testované úkoly. Další experimenty prokázaly, že každá ze složek algoritmu je přínosem pro výkon evoluce, centrální řídící mechanizmus není nezbytný pro úspěšný vývoj strategií pro sledování světla a že výběr konkrétní sady přenosových funkcí neuronu významněji neovlivňuje evoluci. Powered by TCPDF (www.tcpdf.org)

Thirteen years have passed since Karl Sims published his work on evolving virtual creatures. Since then, several approaches to neural network evolution and genetic algorithms have been introduced. This thesis proposes a novel algorithm for the evolution of virtual creatures. The algorithm - Hierarchical NEAT - is inspired by NeuroEvolution of Augmenting Topologies (NEAT) algorithm which efficiently evolves artificial neural networks. Hierarchical NEAT applies all three main components of NEAT algorithm (protecting evolutionary innovation through speciation, sensible mating of the creatures and incremental growth from minimal structure) to the evolution of morphology and control system of the virtual creatures. Furthermore, the algorithm also allows sensible mating of control systems of the creatures, as opposed to original mating methods. Experiments have shown that the proposed algorithm significantly increases the performance of the evolution on all tested tasks. Several supplementary experiments have also been conducted to confirm that each component of the algorithm is beneficent for the evolution, that central coordination in not necessary for successful evolution of light-following strategies and that the choice of neuron transfer functions does not have significant impact on the evolution of the...