Škálovatelná reprezentace neuronových sítí

Abstract

Tato bakalářská práce se zaměřuje na metody nepřímého kódování neuronových sítí pro evoluční algoritmy s důrazem na škálovatelnost sítě. Je implementován algoritmus HyperGP k evoluci sítí použitých k řízení pohybu robota v simulovaném prostředí za účelem porovnání různých přístupů k evoluci. První přístup postupně navyšuje počet senzorů a neuronů v síti během evoluce. Druhý přístup v evoluci využívá plný počet senzorů a neuronů již od začátku. Bylo provedeno několik experimentů s cílem porovnat tyto přístupy.

This bachelor's thesis looks at methods for indirect encoding of neural network weights in evolutionary algorithms with focus on network scalability. HyperGP algorithm was implemented to generate neural networks used to control a robot navigating a simulated environment in order to compare multiple approaches to the evolution. The first approach gradually increases the array of sensors and/or neurons in the controlling network during evolution. The second runs the evolution with full sensor and neural network density from the start. Multiple experiments were conducted to explore the impact of these two approaches on the time it takes the algorithm to develop solutions of desired quality.