참신 검색은 어떻게 작동합니까?

에서 이 문서 , 저자의 주장은 (명시 적 목표없이) 혼자 참신에 의해 진화를 안내하는 것은 더 나은 명시 적 목표를 사용하는 것보다 문제를 해결할 수있다. 다시 말해, 유전자 알고리즘을위한 적합성 함수로서 신규성 측정치를 사용하는 것은 목표 지향적 피트니스 함수보다 더 효과적이다. 어떻게 가능합니까?

이 AI SE 질문 에 대한 답변에서 설명했듯이 GA는 '최적화'가 아닌 '만족'이며 검색 공간의 '외부'영역을 탐색하지 않는 경향이 있습니다. 오히려, 체력 기능에 따라 인구가 '정당하게 좋은'지역에 모이는 경향이 있습니다.

대조적으로, 나는 참신함이 역동적 인 체력을 제공하여 이전에 발견 된 지역으로부터 인구를 밀어내는 경향이 있다고 생각합니다.

참신 검색은 참신의 일부 도메인 종속 정의에 의해 "신규 행동"을 선택합니다. 예를 들어, 미로 해결 영역의 참신함은 "탐색 된 경로의 차이"일 수 있습니다. 결국, 미로를 통해 가능한 모든 경로를 취하는 네트워크를 찾은 다음 가장 빠른 네트워크를 선택할 수 있습니다. 이것은 목표까지의 거리와 같은 순진한 "객관적"보다 훨씬 잘 작동하며, 미로를 절대로 해결하지 못하는 로컬 최적화를 쉽게 초래할 수 있습니다.

에서 진화를 혼자 참신에 대한 검색을 통해 : 목표를 포기 (강조 광산) :

진기한 탐색에서, 전통적인 목적 함수로 전체 진행을 측정하는 대신, 진화는 진 기성 메트릭이라고 불리는 행동 적 진 기성을 측정합니다. 사실상, 이러한 메트릭에 의해 유도 된 검색은 자연 진화가 수동적으로하는 것, 즉 복잡성 사다리를 올라가는 새로운 형태를 점차적으로 축적하는 것을 명시 적으로 수행한다.
예를 들어, Biped 운동 영역에서 초기 시도는 단순히 실패 할 수 있습니다. 참 신성 지표는 그것이 객관적인 행동에 더 가까운 지 여부에 관계없이 단순히 다른 방식으로 떨어지는 것을 보상합니다. 대조적으로, 객관적인 기능은 가장 먼 거리에서 가장 멀리 떨어지는 것을 보상 할 수 있으며, 이는 걷기의 궁극적 인 목적으로 이어지지 않을 수 있으며, 따라서 현혹적인 지역 최적을 예시한다. 대조적으로, 신규성을 찾기 위해, 가장 새로운 발견을 나타내는 일련의 인스턴스가 유지된다. 그런 다음 이러한 대표적인 동작에서 추가 검색이 시작됩니다. 넘어지는 몇 가지 방법이 발견 된 후에 보상을받을 수있는 유일한 방법은 바로 떨어지지 않는 행동을 찾는 것 입니다. 이런 식으로 행동의 복잡성이 상향식으로 증가합니다.결국, 새로운 것을하기 위해 Biped는 목표가 아니더라도 어느 정도 거리를 성공적으로 걸어야합니다 .