Fitness Approximation through Machine Learning

要約

我々は、機械学習 (ML) モデルを使用し、進化状態への動的適応を通じて遺伝的アルゴリズム (GA) で適応度近似を実行する新しいアプローチを提案します。
サンプリングされた個人のデータセットと実際の適応度スコアを維持し、進化的な実行を通じて適応度近似 ML モデルを継続的に更新します。
1) 実際の適応度と近似的な適応度の切り替え、2) 母集団のサンプリング、3) サンプルの重み付けについて、さまざまな方法を比較します。
実験結果は、進化的実行時間の大幅な改善を示しており、適合性スコアは完全に実行された GA と同じか、それよりわずかに低くなります。これは、近似値と実際の適合性計算の比率に応じて異なります。
私たちはフィットネス計算にコストがかかる体育館 (ゲーム) シミュレータでの進化エージェントに焦点を当てていますが、私たちのアプローチは汎用的であり、多くの異なる領域に簡単に適用できます。

要約(オリジナル)

We present a novel approach to performing fitness approximation in genetic algorithms (GAs) using machine-learning (ML) models, through dynamic adaptation to the evolutionary state. Maintaining a dataset of sampled individuals along with their actual fitness scores, we continually update a fitness-approximation ML model throughout an evolutionary run. We compare different methods for: 1) switching between actual and approximate fitness, 2) sampling the population, and 3) weighting the samples. Experimental findings demonstrate significant improvement in evolutionary runtimes, with fitness scores that are either identical or slightly lower than that of the fully run GA — depending on the ratio of approximate-to-actual-fitness computation. Although we focus on evolutionary agents in Gymnasium (game) simulators — where fitness computation is costly — our approach is generic and can be easily applied to many different domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google