Feb, 2024

通过局部最优网络理解形态进化中的适应度景观

PDF
TL;DR应用 LON 分析揭示了三种不同编码在机器人演化运动任务中所引发的适应度景观的结构，首次揭示了在 Morpho-evolution 领域中使用 LON 分析，这将有助于未来定制 ME 景观的新算法或操作符的设计。
morpho-evolutiongenetic encodingslocal optima network analysisfitness landscapescombinatorial optimisation
发现论文，激发创造
  • 前馈神经构架空间局部最优网络分析

    本研究利用局部最优网络（LON）分析，对候选解的适应度景观的导数进行了探讨以表征和可视化神经结构空间，结果表明 LONs 可能为分析和优化神经结构提供有效的范式。

    Jun, 2022

  • 机体机器形态与控制可扩展共同优化

    该研究探讨并展现了一种新的技术 ——“形态创新保护”，可协同优化机器人的结构和控制策略并避免局部最优解来提高机器人的行为性能，促进了自动化机器人设计和行为训练，同时为研究实体认知理论提供了实验检验的平台。

    Jun, 2017

  • 基于形态环境共进化的课程强化学习

    通过 “形态环境共同进化（MECE）” 优化强化学习代理和形态，使其能够自动适应不断变化的环境，从而在不同环境中实现更好的泛化性能。

    Sep, 2023

  • CompetEvo: 走向基于竞争的形态进化

    通过竞争进化 (CompetEvo)，能够使代理体在多智能体竞争场景中进化出满足战斗需求的适宜设计和策略，相较于固定形态的代理体，在战斗场景中获得优势，并展现出异形对峙时产生的惊人和印象深刻行为。

    May, 2024

  • 通过拉马克进化实现高效的多目标神经架构搜索

    LEMONADE 是一种多目标架构搜索算法，利用进化算法和近似网络同构算子来解决神经网络搜索领域的资源浪费问题，实现了高性能、低资源消耗的自动化神经网络设计。

    Apr, 2018

  • 大规模多地形深度强化学习中的超约束机动演化形态

    通过深度强化学习和进化形态学，本研究探索了一种新型的过约束机器的设计与学习，旨在开发具有卓越能量效率的现代机器人四肢设计。研究结果显示，相较于平面四肢，在不同地形上，包括地板、斜坡和楼梯，过约束四肢的运动更加高效，至少可节省 22% 的机械能量，在平地上的平均速度是平面四肢的 20% 更快。

    Jul, 2024

  • 多目标进化算法搜索轨迹网络

    本文研究多目标进化算法（MOEAs）的搜索动态，并将 STN 模型应用于两种常用算法（MOEA/D 和 NSGA-II）的分析，结果表明我们可以通过 STNs 来提高 MOEA 的算法分析。

    Jan, 2022

  • 表观遗传阻断对动态多目标优化问题的影响

    本文研究了在动态多目标优化问题中应用表观遗传机制对现有多目标遗传算法 MOEA/D-DE 的性能进行了比较，并提供了初步的实验证据表明，更多的算法应该探索自然界中丰富的表观遗传机制。

    Nov, 2022

  • 搜索搜索空间：元进化神经网络的几何编码

    使用笛卡尔遗传编程优化间接编码方法中基因与权重之间的距离函数，提高了 GENE 在神经网络演化中的表现。

    Mar, 2024

  • 通过学习和进化实现具身智能

    我们引入 DERL，一种新的计算框架，通过仅利用低级别自我感知信息，可以演化出多样化的智能体形态，用于学习复杂环境下的运动和操作任务，并展示了环境复杂度、形态智能和控制可学性之间的关系。

    Feb, 2021