Neuroevolución de topologías de aumento

El problema de las convenciones en competencia surge cuando hay más de una forma de representar la información en un fenotipo. Por ejemplo, si un genoma contiene neuronas A , B y C y se representa como [ABC], si este genoma se cruza con un genoma idéntico (en términos de funcionalidad) pero ordenado [CBA], el cruce producirá descendientes con información faltante ([ABA] o [CBC]); de hecho, en este ejemplo se ha perdido 1/3 de la información. NEAT resuelve este problema rastreando el historial de genes mediante el uso de un número de innovación global que aumenta a medida que se agregan nuevos genes. Al agregar un nuevo gen, el número de innovación global se incrementa y se asigna a ese gen. Por lo tanto, cuanto mayor sea el número, más recientemente se agregó el gen. Para una generación particular, si ocurre una mutación idéntica en más de un genoma, a ambos se les asigna el mismo número; sin embargo, más allá de eso, el número de mutación permanecerá sin cambios indefinidamente.

Estos números de innovación permiten a NEAT emparejar genes que pueden cruzarse entre sí. ^{[ 1 ]}

En 2003, Stanley ideó una extensión de NEAT que permite que la evolución ocurra en tiempo real, en lugar de mediante la iteración de generaciones, como hacen la mayoría de los algoritmos genéticos. La idea básica consiste en someter a la población a una evaluación constante con un temporizador de "vida útil" para cada individuo. Cuando expira el temporizador de una red, se examina su medida de aptitud actual para determinar si se encuentra entre las más bajas de la población; de ser así, se descarta y se reemplaza por una nueva red creada a partir de dos progenitores con alta aptitud. Se establece un temporizador para la nueva red y se la incorpora a la población para que participe en las evaluaciones continuas.

La primera aplicación de rtNEAT es un videojuego llamado Neuro-Evolving Robotic Operatives, o NERO. En la primera fase del juego, los jugadores despliegan robots en un entorno controlado y los entrenan según una doctrina táctica específica. Una vez entrenados varios robots, una segunda fase permite a los jugadores enfrentarlos en una batalla contra robots entrenados por otros jugadores, para comprobar la eficacia de su entrenamiento.

Una extensión del algoritmo NEAT de Ken Stanley, desarrollada por Colin Green, añade la poda periódica de las topologías de red de las soluciones candidatas durante el proceso de evolución. Esta adición respondió a la preocupación de que el crecimiento automatizado ilimitado generaría una estructura innecesaria.

HyperNEAT está especializado en el desarrollo de estructuras a gran escala. Se basa originalmente en la teoría CPPN y es un campo de investigación activo.

El NEAT de generación de contenido (cgNEAT) desarrolla contenido personalizado para videojuegos basado en las preferencias del usuario. El primer videojuego en implementar cgNEAT es Galactic Arms Race , un juego de disparos espaciales en el que las armas únicas del sistema de partículas evolucionan según las estadísticas de uso del jugador. ^{[ 3 ]} Cada arma del sistema de partículas del juego está controlada por un CPPN evolucionado , de forma similar a la técnica de evolución del programa de arte interactivo NEAT Particles .

odNEAT es una versión en línea y descentralizada de NEAT diseñada para sistemas multi-robot. ^{[ 4 ]} odNEAT se ejecuta a bordo de los propios robots durante la ejecución de tareas para optimizar continuamente los parámetros y la topología de los controladores basados ​​en redes neuronales artificiales. De esta forma, los robots que ejecutan odNEAT tienen el potencial de adaptarse a condiciones cambiantes y aprender nuevos comportamientos a medida que realizan sus tareas. El proceso evolutivo en línea se implementa según un modelo de islas distribuidas físicamente. Cada robot optimiza una población interna de soluciones candidatas (variación intra-isla), y dos o más robots intercambian soluciones candidatas cuando se encuentran (migración inter-isla). De esta forma, cada robot es potencialmente autosuficiente y el proceso evolutivo capitaliza el intercambio de controladores entre múltiples robots para una síntesis más rápida de controladores efectivos.