El algoritmo genético basado en promotores ( PBGA ) es un algoritmo genético para la neuroevolución desarrollado por F. Bellas y RJ Duro en el Grupo Integrado de Investigación en Ingeniería (GII) de la Universidad de Coruña, en España. Desarrolla redes neuronales artificiales (ANN) de retroalimentación de tamaño variable que se codifican en secuencias de genes para construir una unidad ANN básica. Cada uno de estos bloques está precedido por un promotor genético que actúa como un interruptor de encendido / apagado que determina si esa unidad en particular se expresará o no.
Conceptos básicos de PBGA
La unidad básica en el PBGA es una neurona con todas sus conexiones entrantes como se representa en la siguiente figura:
El genotipo de una unidad básica es un conjunto de pesos reales valorados seguidos de los parámetros de la neurona y procedidos por un campo de valor entero que determina el valor del gen promotor y, en consecuencia, la expresión de la unidad. Concatenando unidades de este tipo podemos construir la red completa.
Con esta codificación se impone que la información que no se expresa aún la lleve el genotipo en evolución pero se resguarde de la presión selectiva directa, manteniendo así la diversidad en la población, que ha sido premisa de diseño de este algoritmo. Por tanto, se establece una clara diferencia entre el espacio de búsqueda y el espacio de solución, lo que permite que la información aprendida y codificada en la representación genotípica se conserve mediante la desactivación de genes promotores.
Resultados
El PBGA se presentó originalmente [1] [2] dentro del campo de la robótica autónoma, en particular en el aprendizaje en tiempo real de modelos ambientales del robot.
Se ha utilizado dentro del mecanismo cognitivo del Cerebro Darwinista Multinivel (MDB) desarrollado en el GII para el aprendizaje en línea de robots reales. En otro trabajo [3] se muestra cómo la aplicación del PBGA junto con una memoria externa que almacena los modelos mundiales obtenidos exitosamente, es una estrategia óptima para la adaptación en entornos dinámicos.
Recientemente, el PBGA ha proporcionado resultados que superan a otros algoritmos neuroevolutivos en problemas no estacionarios, donde la función de aptitud varía en el tiempo. [4]
Referencias
- ^ F. Bellas, RJ Duro, (2002) Promotor estadísticamente neutral basado en GA para la evolución con funciones de aptitud dinámica , Proc. de la Conferencia Internacional IASTED Inteligencia Artificial y Aplicaciones
- ^ F. Bellas, RJ Duro, (2002) Modelado del mundo con PBGA estadísticamente neutrales . Mejora y aplicaciones reales, Proc. IX Congreso Internacional de Procesamiento de Información Neural
- ^ F. Bellas, A. Faiña, A. Prieto y RJ Duro (2006), Aplicación de aprendizaje adaptativo de la arquitectura cognitiva evolutiva MDB en agentes físicos , Notas de la conferencia sobre inteligencia artificial, vol 4095, 434-445
- ^ F. Bellas, JA Becerra, RJ Duro, (2009), Uso de promotores e intrones funcionales en algoritmos genéticos para el aprendizaje neuroevolucionario en problemas no estacionarios , Neurocomputación 72, 2134-2145