compcogneuro/web: genetic-algorithm
このページは外部資料の日本語訳です。原文の見出し順と本文順を保ち、コード・URL・出典表記はできるだけ原形のまま残しています。
出典とライセンス
原典: https://github.com/compcogneuro/web/blob/main/content/genetic-algorithm.md
ライセンス: Text: CC BY 4.0; code: BSD 3-Clause。このページは日本語翻訳であり、変更点は翻訳とサイト内整形です。
+++ Categories = [“Computation”, “Learning”] bibfile = “ccnlab.json” +++ 遺伝的アルゴリズム (GA) は、[[evolution]] のプロセスの主要な要素をキャプチャして、高次元空間を通じて [[search]] を実行します。適応学習アルゴリズムの分野では、収束速度の点で勾配ベースの [[error-driven learning]] が最高、試行錯誤型 [[reinforcement learning]] が 2 番目、遺伝的アルゴリズムが 3 番目に優れています。
この階層は、メカニズムの一般性の観点からも定義されます。エラー駆動学習には最も強力な要件 (ターゲットの出力パターンが必要) がありますが、強化学習にはスカラー報酬信号のみが必要で、遺伝的アルゴリズムも同様に fitness の定義のみが必要で、勾配を計算する機能は必要ありません。したがって、これは最も一般的で堅牢な学習形式です。ただし、進化と同様に、時間がかかる場合があります。
GA の重要な要素は次のとおりです。
- genotype。表現型 (生物体、実体など) を構築する方法に関するコンパクトな変更可能な計画です。
- 個々の表現型のパフォーマンスを評価する_フィットネス関数_。
したがって、進化のプロセスは、ランダムに遺伝子型を生成し、それらから表現型の集団を作成し、その後、現在の集団における個体の適合性を評価することによって進行します。次に、最もパフォーマンスの高いサブセットを「交配」して、それらの間で要素を混合することによって新しい遺伝子型のセットを形成し、このプロセスが複数の世代にわたって繰り返されます。 ウィキペディアのページ にまとめられているように、これらのさまざまなコンポーネントにはそれぞれ多くのバリエーションがあります。
[[Axon]] モデルと [[Rubicon]] モデルに関して実用的な観点から見ると、一般に GA は計算コストが高すぎるため、大きな価値はありません。複雑さを問わず単一の脳レベルのモデルをシミュレートすることは、すでに非常に計算コストのかかるプロセスであるため、そのようなモデルの大規模な母集団を何世代にもわたって反復することは効率的な方法ではありません。
代わりに、私たちは、[[cognition]] および [[computation]] に関する研究から情報を得た [[computational-cognitive-neuroscience#reverse engineering the brain]] から [[neuroscience]] までのアプローチを採用し、地球上の何百万年もの [[evolution]] が生み出した重要な「発見」について、より方向性のある仮説に基づいた調査を実施します。
それにもかかわらず、特定のより狭いコンテキストでは、GA アルゴリズムが進める唯一の方法です。