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)

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