Hybridní neuroevoluce

Abstract

Neuroevoluce je metoda trénování neuronových sítí pomocí evolučních algoritmů. Evoluční algoritmus může vyvíjet jak topologii sítě, tak i váhy a práhy. Zatímco evoluční metody zvládají dobře exploraci prostoru, dělá jim problém lokální dolazení řešení. Tato práce navrhuje hybridizovaný přístup kombinující neuroevoluční algoritmus HyperNEAT s gradientním algoritmem DQN. Nejprve navrhujeme tři různé způsoby inicializace DQN pomocí řešení z HyperNEATu. Poté navrhujeme metodu na dolazení populace HyperNEATu pomocí řešení z DQN. Nakonec kombinujeme oba navržené kroky v trénovací smyčku, která iterativně spouští sekvenci HyperNEAT a DQN. Daný přístup testujeme v doméně posilovaného učení s diskrétním prostorem akcí, jmenovitě na problémech z řízení Cart pole, Acrobot a Mountain car, které jsou definované v OpenAI gym. Docházíme k závěru, že hlavní výzvou pro kombinování obou přístupů je odlišná interpretovatelnost jejich výstupů. Uvádíme i inicializační strategie, které nezafungovaly a diskutujeme možné příčiny. Prezentujeme slibné výsledky navrženého postupu.

Neuroevolution is an approach for learning artificial neural networks by an evolutionary algorithm. The evolutionary algorithm can evolve both the topology of the network as well as weights and biases. While evolutionary algorithms perform well in exploration, local fine-tuning can be problematic. This thesis proposes a hybrid approach that combines the neuroevolutionary algorithm HyperNEAT with gradient-based algorithm DQN. Firstly, we propose three different options for initialising DQN by a solution found by HyperNEAT. Secondly, we propose a method for fine-tuning HyperNEAT's population by a solution found by DQN. Finally, we combine the two proposed steps into a training loop that iteratively runs the sequence of HyperNEAT and DQN. We test the approach in a reinforcement learning control domain with discrete action space, namely Cart pole, Acrobot and Mountain car environments from OpenAI gym. We conclude that the main challenge in combining the two algorithms is the different interpretability of their outputs. We describe the initialisation strategies that did not work and discuss the possible reasoning behind it. We show promising results for both the DQN and the HyperNEAT initialisation.