Upload
stephen-larroque
View
68
Download
4
Embed Size (px)
Citation preview
Pathway Evolution Algorithm
Par Stephen Larroque
Supervisé par Prof. S. Doncieux
Un algorithme génétique sur des chemins
21 Mars 2014
Par Fernando et al. (2011)
Chemins = unité d’évolution
3
Individus
Chemins = unité d’évolution
4
CheminsIndividus
Chemins = unité d’évolution
5
Individus Chemins
Équivalence!
Pourquoi utiliser des chemins?
• Compacité
• Expressivité
• Capacité de stockage! Redondant!
• Covariance des allèles (Price GR, 1970)
• Mémoire
• Multi-critères (linkage disequilibrium)
6
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
Interprétation graphique
8Poids sur arcs = probabilité de marche aléatoire (sélection)
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
Tournoi par paire
10
• Apprentissage: (1 ± lambda) * poids(selon si gagnant ou perdant)
• Arcs partagés non pénalisés (sauf si diversité)
Mutation et Crossover
11
Élitisme+
Exploration!
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
Mémoire
13
• Premier apprentissage plus lent
• Puis réutilise les anciens (mauvais) chemins
• MGA constant en constraste
Linkage disequilibrium
14
• Double équilibre:[0 1] et [1 0]
• PEA garde les deux!
Expansion / Contraction
15
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
– 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
Merci!
Slides Bonus
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)
Algorithme PEA
24
THE END