Investigação da Eficácia de Técnicas de Nicho e Diferenciação Ambiental aplicadas a Algoritmos da Robótica Evolutiva
DOI:
https://doi.org/10.5902/2448190485256Schlagworte:
Robótica Evolutiva, Niche Evolution, Estratégias de EvoluçãoAbstract
O algoritmo Estratégias Evolutivas (ES) têm se mostrado uma técnica eficiente de otimização ao longo das décadas. Recentemente, uma adaptação do método, proposta por pesquisadores da empresa OpenAI, demonstrou as vantagens de se usar técnicas de ES de forma paralelizada como uma importante alternativa ao também relevante método de Aprendizado por Reforço. Técnicas que utilizam abordagens populacionais de otimização como é o caso das estratégias evolutivas, se beneficiam da diversidade das soluções candidatas no processo evolutivo. Por este motivo, mecanismos que preservam a diversidade como, por exemplo, a criação de ilhas e nichos durante o processo evolutivo foram propostos e investigados em outros algoritmos evolutivos. Este trabalho tem o objetivo de analisar como a adição de técnicas de nicho, que incluem diferenciação ambiental entre as subpopulações, podem ser relevantes a algoritmos da Robótica Evolutiva utilizando a versão do algoritmo ES recentemente proposto pela OpenAI. Utilizando como tarefa de teste o bem conhecido problema do baleancemento de mastros duplos (\textit{double-pole balancing}), comparamos a efetividade das soluções geradas com e sem o mecanismo de nichos nos algoritmos OpenAI-ES e Stochastic Steady State (SSS). Os resultados obtidos demonstraram aumentos de performance de aproximadamente 8,6\% e 53.5\% para OpenAI-ES e SSS, respectivamente, quando o mecanismo de nichos é utilizado.
Downloads
Literaturhinweise
(2019). The impact of environmental history on evolved robot properties, volume ALIFE
: The 2019 Conference on Artificial Life of ALIFE 2021: The 2021 Conference
on Artificial Life.
Bianchini, A. H. (2023). A stripped-down version of evorobotpy2 with openai-
es-ne and some experiments results. https://github.com/alvaporta/
evorobotpy2.
Bianchini, A. H., Machado, B. S., and Carvalho, J. T. (2023). The effectiveness of niching
on openai-evolution strategies in the evolution of robotic behavior. In Proceedings
of the Companion Conference on Genetic and Evolutionary Computation, GECCO
’23 Companion, page 2354–2357, New York, NY, USA. Association for Computing
Machinery.
Brockman, G., Cheung, V., Pettersson, L., Schneider, J., Schulman, J., Tang, J., and
Zaremba, W. (2016). Openai gym.
Carvalho, J. T. and Nolfi, S. (2017). Favoring the evolution of adaptive robots through
environmental differentiation. In 2017 IEEE Symposium Series on Computational In-
telligence (SSCI), pages 1–7.
Chowdhury, A., Karmakar, G., Kamruzzaman, J., Jolfaei, A., and Das, R. (2020). Attacks
on self-driving cars and their countermeasures: A survey. IEEE Access, 8:207308–
Ekart, A. and Nemeth, S. Z. (2002). Maintaining the diversity of genetic programs. In
European Conference on Genetic Programming, pages 162–171. Springer.
Fogel, D. B. (1997). The advantages of evolutionary computation. In Bcec, pages 1–11.
Kingma, D. and Ba, J. (2014). Adam: A method for stochastic optimization. International
Conference on Learning Representations.
Linder, M. H. and Nye, B. (2010). Fitness, environment and input: Evolved robotic
shepherding. Dept. Comput. Sci., Swarthmore College, Swarthmore, PA, USA, Tech.
Rep.
Lopez-Ibanez, M., Dubois-Lacoste, J., Perez Caceres, L., Stutzle, T., and Birattari, M.
(2016). The irace package: Iterated racing for automatic algorithm configuration. Ope-
rations Research Perspectives, 3:43–58.
Milano, N., Carvalho, J. T., and Nolfi, S. (2017). Environmental variations promotes
adaptation in artificial evolution. In 2017 IEEE Symposium Series on Computational
Intelligence (SSCI), pages 1–7.
Nolfi, S. (2020). A tool for training robots through evolutionary and reinforcement lear-
ning methods. https://github.com/snolfi/evorobotpy2.
Nolfi, S. (2021). Behavioral and cognitive robotics: An adaptive perspective. Roma,
Italy: Institute of Cognitive Sciences and Technologies, National Research Council
(CNR-ISTC).
Pagliuca, P., Milano, N., and Nolfi, S. (2018). Maximizing adaptive power in neuroevo-
lution. PloS one, 13(7):e0198788.
Pagliuca, P., Milano, N., and Nolfi, S. (2020). Efficacy of modern neuro-evolutionary
strategies for continuous control optimization. Frontiers in Robotics and AI, 7.
Rechenberg, I. (1973). Evolutionsstrategie. Optimierung technischer Systeme nach Prin-
zipien derbiologischen Evolution.
Salimans, T., Ho, J., Chen, X., Sidor, S., and Sutskever, I. (2017). Evolution strategies as
a scalable alternative to reinforcement learning. arXiv.
Sareni, B. and Krahenbuhl, L. (1998). Fitness sharing and niching methods revisited.
IEEE Transactions on Evolutionary Computation, 2(3):97–106.
Whitley, D., Rana, S., and Heckendorn, R. (1998). The island model genetic algorithm:
On separability, population size and convergence. Journal of Computing and Informa-
tion Technology, 7
Downloads
Veröffentlicht
Zitationsvorschlag
Ausgabe
Rubrik
Lizenz
Copyright (c) 2023 Revista ComInG - Communications and Innovations Gazette
Dieses Werk steht unter der Lizenz Creative Commons Namensnennung - Nicht-kommerziell - Weitergabe unter gleichen Bedingungen 4.0 International.
Os manuscritos aceitos e publicados são de propriedade da revista ComInG.
Os originais deverão ser acompanhados de documentos de transferência de direitos autorais contendo assinatura dos autores.
A carta de direitos autorais deve ser enviada para o e-mail coming@inf.ufsm.br
É vedada a submissão integral ou parcial do manuscrito a qualquer outro periódico. A responsabilidade do conteúdo dos artigos é exclusiva dos autores.
É vedada a tradução para outro idioma sem a autorização escrita do Editor ouvida a Comissão Editorial.
ENGLISH
Manuscripts accepted and published are the property of the journal ComInG.
The originals must be accompanied by documentation of copyright transfer containing the signature of the authors.
You may not submit full or partial manuscript to another journal. The responsibility of the article's content is exclusive of the authors.
You may not translating into another language without the written permission of the Editor after consultation with the Editorial Board.
