Recommandé
Contenu connexe
Plus de Stephen Larroque
Plus de Stephen Larroque (6)
Dernier
Dernier (6)
Pathway Evolution Algorithm in Netlogo
- 2. Pathway Evolution Algorithm Par Stephen Larroque Supervisé par Prof. S. Doncieux LRQ3000@gmail.com Un algorithme génétique sur des chemins 21 Mars 2014 Par Fernando et al. (2011)
- 3. Chemins = unité d’évolution 3 Individus
- 4. Chemins = unité d’évolution 4 CheminsIndividus
- 5. Chemins = unité d’évolution 5 Individus Chemins Équivalence!
- 6. Pourquoi utiliser des chemins? • Compacité • Expressivité • Capacité de stockage! Redondant! • Covariance des allèles (Price GR, 1970) • Mémoire • Multi-critères (linkage disequilibrium) 6
- 7. Pathway Evolution Algorithm(s) • PEA = framework de GA basés sur des chemins. • Cas spécial du Microbial GA (Harvey, 1996) = GA minimaliste • Steady-state GA (Whitley, 1989) • Reseau = population = ensemble de chemins superposés • Chemin = un individu/candidat • Fréquence chemin = produit des poids (proba) de ses arcs • Fréquence phénotype = somme(fréquences chemins avec ce phénotype) 7
- 8. Interprétation graphique 8 Poids sur arcs = probabilité de marche aléatoire (sélection)
- 9. Interprétation biologique • Réseau = génotype • Chemin = phénotype • Noeud = allele • Couche = locus • Fréquence phénotype = fréquence chemin (facile à calculer!) • Mutation = Noisy Hebbian learning = Rapid structural plasticity (Adams P, 1998) • Drop noeuds et arcs inutilisés = darwinisme/recyclage neuronal 9
- 10. Tournoi par paire 10 • Apprentissage: (1 ± lambda) * poids (selon si gagnant ou perdant) • Arcs partagés non pénalisés (sauf si diversité)
- 12. Quelques propriétés et résultats • Maintenance de la diversité en pénalisant les arcs partagés • Tournoi K = 2 (paire) semble optimal • Covariance phénotypes (MAJ d’un chemin affecte d’autres) 12
- 13. Mémoire 13 • Premier apprentissage plus lent • Puis réutilise les anciens (mauvais) chemins • MGA constant en constraste
- 14. Linkage disequilibrium 14 • Double équilibre: [0 1] et [1 0] • PEA garde les deux!
- 16. Conclusion et ouverture • Bonnes performances générales, mais pas le meilleur • Implémentation biologiquement plausible: neurones Izhikevich, circuit dopaminergique • Préférences non rationnelles (via linkage diseq)? • Extension: couches dynamiques (devines un nombre!) • ACO = PEA? • Parallèle avec TurboCodes? (C. Berrou) • Chemins = unités d’évolution (avec des propriétés intéressantes!) 16
- 17. – Evolvable Neuronal Paths: A Novel Basis for Information and Search in the Brain, Fernando C, Vasas V, Szathmáry E, Husbands P (2011), PLoS ONE 6(8) – Selection and covariance, Price GR (1970), Nature 227: 520–521. – The Microbial Genetic Algorithm, Harvey, I. (1996) Références
- 18. Merci!
- 19. Slides Bonus
- 20. Microbial Genetic Algorithm • Idée: définition minimale d'un GA? – Selection – Recombinaison – Mutation (similaire à recombinaison uniforme) • MGA = proposition d’un GA minimal • Recombinaison = infection bactérienne = unité d’évolution • Algorithme: 1 ligne! – Pour chaque tournoi: • Pour chaque allele du perdant: – Si random r < crossover+mutation: » allele = allele du gagnant si r < crossover sinon allele = mutation(allele) 23 Harvey, I. (1996)
- 22. THE END